本研究提出了一种利用全局方式学习数据点之间的配对关系,通过空间广义传播网络(SGPN)实现对任意结构数据的语义分割的模型,该模块可以灵活地嵌入和联合训练许多类型的网络,如 CNN,并且实验证明,相较于不包含此模块的网络,SGPN 始终提高了像素和点云分割的性能,这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。
Sep, 2019
本文研究表明利用归因映射来训练神经网络能够提高模型的正则化从而提高性能,并介绍了一种名为 Challenger 的模块,该模块利用输入模式的解释能力来操纵重要的输入模式,从而提高模型性能。
May, 2022
该论文提出了一种新的框架,利用局部图神经网络和基于置信度的路径调度器,可以在大规模真实数据上可靠地传播标签,同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
我们引入了一种新的统一框架,用于在黑盒模型中估计梯度并生成显著性地图以解释模型决策。我们采用似然比方法来估计输出到输入的梯度,并利用它们来生成显著性地图。此外,我们提出了块计算技术来提高估计精度。在黑盒模型中进行的大量实验证实了我们方法的有效性,表明准确估计梯度并生成的显著性地图能够解释模型的决策。此外,我们将该方法应用于解释 GPT-Vision,展示了在大规模、闭源和黑盒模型时梯度解释方法的可伸缩性。
Mar, 2024
该研究提出了一种名为 PAMT 的新方法,利用属性相似性掩码集成了结构感知传播过程,从而能够在传播过程中保留相邻节点的属性相关性并有效减少结构噪声的影响,同时开发了一种迭代细化机制来改善训练性能,该方法在 4 个真实世界数据集上表现出了卓越的性能和鲁棒性。
Jun, 2022
研究了四种归因方法在阿尔茨海默病分类任务中的有效性,并发现某些广泛使用的归因方法产生高度不一致的结果。
本研究提出了一种空间传播网络,用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型,可以精确构建空间变化的转换矩阵,作为精确构建全局对偶关系的亲和矩阵,从而建模图像的密集、全局对偶关系。此网络是一个通用框架,可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。
Oct, 2017
本论文研究了卷积网络的可解释性,通过利用显著性图进行分析。我们提出了一种新的训练方法,通过引入正则化损失,使标准反向传播得到的输入图像相对于引导反向传播得到的梯度类似。我们发现,由此得到的梯度在质量上更加清晰,量化上改善了不同网络的可解释性特性,使用了多种可解释性方法。
Apr, 2024
本文通过分析反向传播型显著性方法,提出了一个框架,将多种方法统一起来,进而提出了一个新的基于空间梯度特征的显著性方法 - NormGrad,并通过将不同层的显著图进行结合,测试不同层级网络提取信息的能力,并且引入了一个类别敏感指标和元学习方法以提高对输出类的敏感度。
Apr, 2020
本文提出了一种称为目标传播的深度网络学习方法,它可以在神经元之间交换随机位而不是实数的情况下进行反向传播,每一层都使用自编码器来计算目标,得到了与反向传播相当的结果。换句话说,该方法提出了一种解决非线性函数下的显式反向传播方法问题的方法,现在已达到了当前的最新水平。
Dec, 2014