arXiv · cs.AI· Bhanu Tokas, Rahul Nair, Rockwell Jackson, Hannah Kerner·· 5 小时前
Hide and Seek（HnS）提出无需权重和概念标注数据的视觉模型概念归因方法
Hide and Seek: HIDE Concepts to SEEK explanations for black box models
arXiv:2610.13935v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Bhanu Tokas, Rahul Nair, Rockwell Jackson, Hannah Kerner
研究任务与主要进展
研究者提出Hide and Seek（HnS），用于解释黑盒视觉模型的概念级归因，无需访问模型权重或使用概念标注数据集。该方法通过视觉语言模型检索概念相关图像并定位概念区域，再遮挡区域、比较黑盒模型输出变化；基于论文摘要，HnS在CelebA和COCO-Stuff上与真实归因的一致性优于现有方法，并应用于图像描述和卫星图像分割，代码以匿名形式放在补充材料中。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org