Apr, 2016

针对具有本地重正化层神经网络的逐层相关性传播

PDF
TL;DR本文提出了一种扩展分层关联传播到具有局部重新规范化层的神经网络的方法，并在 CIFAR-10、Imagenet 和 MIT Places 数据集上评估了该方法的性能。
layer-wise relevance propagationdeep neural networklocal renormalization layersconvolutional neural networkscifar-10
发现论文，激发创造
  • 层级相关性传播用于可解释的推荐

    本文探讨使用深度学习的模型进行推荐解释的问题，我们使用深度卷积神经网络从输入图像中提取相关特征，并在特征空间中识别图像之间的相似性，最后使用 Amazon 产品数据集验证了我们方法的有效性。

    Jul, 2018

  • 使用修剪的逐层相关传播稀疏解释神经网络

    我们提出了一种修改后的解释方法，通过修剪不同层的相关传播来降低噪音，同时集中关注最重要的特征，从而提高深度神经网络输出的解释性。

    Apr, 2024

  • 通过逐层相关性传递解释复杂机器学习模型的预测

    本文介绍一种基于输入变量对深度神经网络分类决策进行分解的技术，以提高其透明度和可解释性。

    Nov, 2016

  • 情感分析中解释循环神经网络预测

    本文提出了将 Layer-wise Relevance Propagation 扩展到递归神经网络的方法，并应用于五分类情感预测任务中的双向 LSTM 模型，其结果 qualitatively and quantitatively 均优于之前工作中使用的基于梯度的方法。

    Jun, 2017

  • 自编码器的分层相关传递解锁

    我们提出了一个快速的可解释性解决方案，通过深度泰勒分解框架扩展层级相关传播方法，引入了一种新的验证技术，与基线方法进行比较，在缺少基础真实数据的情况下突出了所提出的可解释性解决方案的计算和质量方面的优势。

    Mar, 2023

  • NLP 中非线性分类器预测解释

    本研究使用层内重要性传播技术（LRP）首次探究其在自然语言处理（NLP）中的应用，特别是用于解释卷积神经网络（CNN）在主题分类任务中的预测结果，并通过多项实验验证 LRP 方法解释 CNN 预测的适用性，实验结果于最近的图像分类研究结果相符。

    Jun, 2016

  • 使用 Softmax 梯度层级相关传播解释卷积神经网络

    该论文提出了一种新的图像分类解释方法 SGLRP，可以成功地定位和归因于目标对象的分类，实证表明它比现有的基于 LRP 的方法更有效。

    Aug, 2019

  • 通过分解深度控制解释性热力图的分辨率和语义

    本文将 Layer-wise Relevance Propagation 算法应用于深度卷积神经网络和 Fisher Vector 分类器，通过可视化热图比较两种分类器的图像感知和预测策略。作者演示了在 LRP 过程中不同分解截止点选择对测试图像热图分辨率和语义的影响。

    Mar, 2016

  • 图像识别的本地关系网络

    本文提出了一种新的图像特征提取器 —— 局部关系层，它基于局部像素对的组合关系自适应地确定聚合权重，从而更高效地将视觉元素组合成更高级别实体，提供更好的语义推理，通过局部关系层构建的神经网络（LR-Net）在大规模识别任务中具有比其卷积网络更大的建模能力，如 ImageNet 分类。

    Apr, 2019

  • 利用 LRP 最佳实践解释神经网络决策

    本文研究探讨了解释型人工智能（XAI）中的一种常用方法 —— 层级相关性传递（LRP），发现新的应用方式能够更好地表征模型的推理，同时提高 LRP 的对象定位和类别区分性。

    Oct, 2019