ICMLDec, 2019

当解释欺骗我们：为什么很多改进版的 BP Attribution 失败了

PDF
TL;DR该研究分析了多种 BP 方法，提供了一种理论和实证的框架来评估新的和现有的 BP 方法的可信度，表明这些方法的解释与后续层的参数无关，测量了这些方法如何忽略后续层信息，发现 DeepLIFT 是唯一不受此限制的方法。
attribution methodsneural networkbackpropagationmodified bp methodsfaithfulness
发现论文，激发创造
  • 通过对比反向传播理解 CNN 的个体决策

    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

  • 深入探究深度学习模型：基于归因的 TextCNN 解释

    本文提出了一种基于 Convolutional Neural Networks 的特征评估方法用于比较 LRP 与 saliency map 两种模型解释方法的效果，依据实验研究结果，我们采用嵌入式特征的删减而非删减权重高的单词，并在文本分类的应用领域提供了一种可视化工具来辅助分析人员理解模型的结果。

    Nov, 2018

  • 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

  • 学习解释神经网络：PatternNet 与 PatternAttribution

    通过分析线性模型，我们提出了两种更可靠、理论上更加准确的解释方法（PatternNet 和 PatternAttribution），适用于线性模型，并可改善深度神经网络的解释。

    May, 2017

  • AttnLRP：面向 Transformer 的注意力感知分层相关传播

    扩展対面层级相关传递方法以处理注意力层可以实现对大型语言模型进行准确且高效的非黑盒推理解释。

    Feb, 2024

  • 使用似然比方法进行神经网络训练：深入探讨无需反向传播的技术

    本研究提出了一种新的梯度估计方法 —— 似然比方法，用于从事各种神经网络体系结构的训练，并且相对于反向传播法，该方法能够显著提高神经网络对抗性攻击的鲁棒性。

    May, 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

  • 解释性深度学习模型用于专利分类中的黑匣子揭示

    通过介绍层次相关传播方法，我们提出了一种新颖的深度可解释专利分类框架，用于提供人类可理解的预测解释。实验结果表明，对于各种评估指标，生成的解释突出了与预测类别相一致的重要相关词汇，使预测结果更易理解，并有助于推广复杂的 AI 专利分类方法在实际应用中的采用。

    Oct, 2023

  • 信念传播再进化：学习 BP 层用于标签问题

    本文提出一种基于深度学习模型的简化 Belief Propagation 方法 (BP Layer)，并将其作为卷积神经网络 (CNNs) 的中间层或者最终层来解决密集预测问题，如立体，光学流和语义分割等。

    Mar, 2020

  • 生物启发深度学习算法和架构的可扩展性评估

    通过对 MNIST、CIFAR-10 和 ImageNet 数据集中的机器学习任务进行实验，我们提出和探究了目标传播和反馈对齐算法的变体，在全连接和局部连接的体系结构下，大部分算法都可以很好的完成 MNIST 数据集的任务。然而，我们发现在面对 CIFAR 和 ImageNet 数据集时，这些算法在局部连接的体系结构下表现不如反向传播算法，因此我们需要新的架构和算法来扩展这些方法。

    Jul, 2018