情感分析中解释循环神经网络预测
本章节探究如何使 Layer-wise Relevance Propagation (LRP) 技术适用于序列数据建模和预测所使用的 LSTM 架构,需要更新传播方案并扩展基础理论框架以提供准确的解释。
Sep, 2019
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
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
该研究介绍了一种名为层次反馈传播 (LFP) 的新型训练方法,利用可解释性、具体而言是层次相关传播 (LRP),为神经网络预测器中的个别连接分配奖励,以其对解决给定任务的贡献为基础。与传统的梯度下降方法不同,LFP 在不需要梯度计算的情况下在模型中传播奖励信号。它增强了接收到积极反馈的结构,同时减少了接收到负反馈的结构的影响。理论上和经验证实了 LFP 的收敛性,并展示了在各种模型和数据集上与梯度下降方法相当的性能。值得注意的是,LFP 可以克服与基于梯度的方法相关的某些局限性,例如依赖有意义的导数。此外,我们还研究了如何将不同的 LRP 规则扩展到 LFP 中,它们对训练的影响以及潜在的应用,例如训练没有有意义的导数的模型,例如阶跃函数激活的脉冲神经网络 (SNN),或用于转移学习,以高效利用现有知识。
Aug, 2023
本文介绍如何使用层次相关传播技术和回声状态网络模型来提高模型可解释性,并使用海温异常来预测厄尔尼诺南方涛动现象,可以应用于时序预测和图像分类。
Oct, 2022
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
该研究提出了一种创新的方法和技术实现,使用层次规范化的 LSTM 和基于 LRP 的方法来解释车道变更预测。其目的是为了增加人类信赖并减少人工智能系统的错误率。
Apr, 2022
本研究探讨利用 DNNs 和 LRP 应用于 EEG 数据分析,发现 DNNs 在分类准确性上具有可比性,并且通过 LRP 的热图,可以提供神经活动高分辨率的评估,这是 DNN 在神经科学应用中被限制使用的可解释性不足的潜在解决方案。
Apr, 2016
本研究探讨了 DeConvNets、vanilla Gradient Visualization 和 Guided Backpropagation 等基于反向传播的方法,提出了一种基于 Layer-wise Relevance Propagation (LRP) 方法的 Contrastive Layer-wise Relevance Propagation (CLRP) 方法,能够产生实例特定、类别区分、像素级的解释,并定量地进行评估,证明 CLRP 比 LRP 生成更好的解释。
Dec, 2018