MCMC-LIME: enhancing stability of LIME using Markov chain Monte Carlo approach
Notice bibliographique
Résumé
This paper deeply investigates the stability issues of the visual explainability technique, called the local interpretable model-agnostic explanations (LIME)1 and presents an enhanced technique and our findings. Explainability is one of the important tasks in explainable artificial intelligence (XAI) systems where LIME tool has been widely used as an explainer model. However, LIME’s perturbation-based sampling introduces randomness, negatively affecting the stability of LIME’s explanations. In this paper, we utilize the unique sampling mechanism of the well-known Markov Chain Monte Carlo (MCMC) model to address this issue. However, a question arises: Will MCMC alone provide a semantically meaningful segmentation for visual explainability? To ensure this, we modify 40% of perturbation using MCMC while preserving 60% of the original perturbation of LIME and introduce additional stability-enhancing mechanisms. Adaptive Segment Merge (ASM) is employed to refine segmentation boundaries before applying MCMC, ensuring that segments align with meaningful visual structures. Additionally, Sign Entropy-Based Feature Elimination (SEFE) suppresses the effects of the remaining unstable segments by filtering them based on their sign entropy, further improving the robustness of the explanations. To evaluate the performance of the proposed technique, we adopt the average rank similarity (ARS), which quantifies the consistency of feature rankings across multiple runs. Our simulations, conducted on images of five dog breeds (Samoyed, Pomeranian, Newfoundland, Pug, and Cocker Spaniel) along with a Coyote, and a Robin image, demonstrate that MCMC-LIME achieves ARS scores of 0.893, 0.887, 0.851, 0.874, 0.906, 0.850, and 0.903 compared to 0.803, 0.862, 0.596, 0.676, 0.718, 0.771, and 0.846 for LIME. These results indicate that MCMC-LIME significantly enhances the stability and reliability of visual explanations, making it a more robust alternative to the original LIME.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».