使用 Softmax 梯度层级相关传播解释卷积神经网络
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
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
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
本文提出了一种可视化深度神经网络分类决策的方法,使用基于区域扰动的方法评估热图,并比较了三种不同方法计算的热图对网络分类决策的解释力,结果发现基于层级相关传播方法对解释分类决策的效果更好。同时,本文还探讨了利用热图进行神经网络性能无监督评估的方法。
Sep, 2015
本论文提出了一种新的二步解释方法 —— SR map,可以更好地理解深度卷积神经网络如何识别图像并从所谓的注意区域中学习特征。该方法清楚地表明了哪些关键像素和注意力区域对于深度卷积神经网络理解给定的图像是有贡献的。
Dec, 2017
通过结合 GradCAM 和 LRP 方法,我们提出了一种新的技术来解释基于 CNN 的模型的输出。在这种方法中,首先对 GradCAM 方法产生的解释进行处理以去除噪声,然后将处理后的输出与 LRP 的输出逐元素相乘,最后对乘积应用高斯模糊。通过 Faithfulness、Robustness、Complexity、Localisation 和 Randomisation 等指标我们将该方法与 GradCAM 和 LRP 进行比较,发现该方法在 Complexity 方面性能更好,并且在其他指标中至少比其中一种方法表现更好。
May, 2024