CVPRApr, 2019

深度神经决策森林中的决策过程可视化

PDF
TL;DR通过将决策树和深度表示学习相结合，深度神经决策森林 (NDF) 在各种视觉任务上取得了卓越的性能。本文在分类和回归问题中首先跟踪了这个模型的决策过程并可视化了显着性图，以了解输入的哪个部分对其影响更大。然后将 NDF 应用于多任务坐标回归问题，并演示了路由概率的分布，这对于解释 NDF 尤其重要，但对于回归问题尚未显示。
发现论文，激发创造
  • DeepView: 使用判别性降维将深度神经网络分类边界可视化为散点图

    本文提出利用区分维度约简的二维可视化方法将深度神经网络决策函数的一部分以及数据集的一部分可视化，从而检测模型对数据的不同属性（如异常值、对抗样本或毒瘤数据）的处理方式，该方法与现有文献中的解释方法互补，更有应用前景。

    Sep, 2019

  • 深度神经决策树

    本研究提出了 Deep Neural Decision Trees（DNDT）—— 由神经网络实现的树模型，可以用于处理表格数据，DNDT 具有自解释性和自剪枝功能。

    Jun, 2018

  • 神经网络蒸馏为软决策树

    使用训练好的深度神经网络创建软决策树的方法，可以更好地泛化，并解释快速分类决策的过程。

    Nov, 2017

  • 神经决策树

    提出了一种神经决策树 (NDT) 的建议架构，其将神经网络和决策树相融合，同时使用哈希神经网络 (HNN) 作为最后一层的非线性分类器，具有比标准 softmax MLP 更高的建模能力和更易于全局优化的特点，在有监督、半监督和无监督学习任务上的实验结果证明其优越性。

    Feb, 2017

  • 卷积神经网络通过决策树对特征图进行知识蒸馏

    通过提取卷积神经网络的最终层中的特征并使用决策树进行训练，我们提出了一种蒸馏方法来解释深度神经网络的推理，展示了决策树在解释卷积神经网络决策时的表现与最小复杂度的卷积神经网络相当好。

    Mar, 2024

  • 决策森林、卷积神经网络和中间模型

    通过融合决策森林和卷积神经网络，提出了一种新的、具有条件计算和表示学习的混合模型 —— 条件网络，并在图像分类任务上对其进行了实验验证，结果表明它的计算成本和参数数量比现有卷积神经网络降低了很多，但准确率并没有下降。

    Mar, 2016

  • 基于深度神经决策森林的声场分类

    本文提出了一种基于深度神经决策树的声场分类方法（DNDF），它将卷积层与决策森林作为最终分类器的固定数量结合起来，相较于传统的单一分类器，此模型在 DCASE2019 和 ESC-50 数据集上展现出更好的声场分类性能，并且具有竞争性能。

    Mar, 2022

  • 可视化深度神经网络决策：预测差异分析

    本文介绍了一种预测差异分析方法，能够针对深度神经网络对输入的响应进行可视化，突出给定输入图像中支持或反对某个类别的区域，该方法克服了以前方法的一些缺点，并提供了有关分类器决策过程的重要见解，对于改进模型并加快黑盒分类器在医学等应用领域的采用很重要。本研究在自然图像（ImageNet 数据）和医疗图像（MRI 脑部扫描）上进行实验来说明该方法。

    Feb, 2017

  • 一种新的深度神经网络可视化方法

    提出了一种可视化深度神经网络对特定输入的响应的方法，通过实验应用于 ImageNet 数据集，阐述了其如何应用于不同方面，以理解深度神经网络的决策过程。

    Mar, 2016

  • NBDT：神经支持决策树

    该论文介绍了一种新的机器学习模型 Neural-Backed Decision Trees，该模型结合了神经网络和决策树的优点，具有高准确性和可解释性，并在 CIFAR、ImageNet 等数据集上表现优异，同时提高了人类信任度和帮助了数据集调试。

    Apr, 2020