可解释图像分类模式推断

Mar, 2023

Schema Inference for Interpretable Image Classification

Haofei Zhang, Mengqi Xue, Xiaokang Liu, Kaixuan Chen, Jie Song...

TL;DR本文提出了一种基于 schema 推理的新型推理范式，该范式通过构建先前的深度神经网络（DNN）转发方案重建来学习演绎地推断出可解释的预测，同时建立了一种模型推断管道，利用人类推理机制的印象匹配类比，将图像中提取的视觉概念与先前计算得到的场景印象联系起来，建立了顶部关系图来模拟输入实例的视觉语义和目标类别的抽象想象。同时，引入了一种通用的 Feat2Graph 方案，可以在全局视角下捕捉和利用视觉语义的组成贡献，以建立包含丰富交互信息的关系图。该提出的 schema 推理方法在多个基准测试中达到了令人鼓舞的性能，并揭示了导致预测的演绎过程的清晰图片。

Abstract

In this paper, we study a novel inference paradigm, termed as schema inference, that learns to deductively infer the explainable predictions by rebuilding the prior deep neural network (DNN) forwarding scheme, guided by the prevalent philosophical cognitive concept of schema. We strive

schema inference deep neural network visual semantics impression matching relational graphs

发现论文，激发创造

将图形模式作为传递学习、推理和规划的抽象

本研究提出基于模式的抽象模型，该模型的经验可用于迅速的迁移学习、推理和规划，利用潜在的图结构将已有的经验转化为知识，通过学习、匹配和重用图模式实现快速的任务解决，并在导航等更具挑战性的环境中进行演示。

Feb, 2023

图像模式的表示学习

通过聚类技术生成图像模式的向量表达，通过计算不同向量之间的距离创建可视化，以了解不同图像模式的相对距离。

Jul, 2022

隐式模式网络

提出了一种基于神经语言模型和变分自编码器（VAE）的语义可解释的组合表示学习方法，该方法能够从文本数据集中发现符号网络（模式），并在语言建模任务上取得了最先进的结果。

Jul, 2022

使用标签关系学习结构化推断神经网络

本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

Nov, 2015

层次语义树概念白化用于可解释的图像分类

通过在深度模型中主动注入知识，使用语义概念的层次树规范化图像数据实例的表达方式，提高模型可解释性，改善语义概念的分离，并不会对模型的分类性能产生负面影响。

Jul, 2023

使用中间概念的深度监督

本文提出一种深度监督方法，通过利用中间概念对 CNN 的隐藏层进行监督，将先前的领域结构融入到神经网络训练中，显著提高了推广能力。该方法还可以仅使用合成场景来训练，并在实际图像上取得了 2D/3D 关键点本地化和图像分类的最新性能。

Jan, 2018

Schema Networks: 基于生成因果模型的直觉物理学零样本迁移

介绍了基于 Schema Network 的智能体框架，该框架能够从数据中学习环境动态，具有学习因果关系和从有限数据中泛化的能力，并在 Breakout 游戏中进行了效率和泛化实验。

Jun, 2017

SMiLE：基于模式增强的多级对比学习用于知识图谱链接预测

文章介绍了一种基于模式约束的多级对比学习方法 (SMiLE)。实验结果表明该方法能有效地进行知识图谱中的链接预测，并比现有技术取得更好的效果。

Oct, 2022

知识发现的因果模式归纳

本研究提出了一个数据集和模型 Torquestra，用于语义搜索和知识发现，有效挖掘具有相似因果意义组件的英文新闻文本。

Mar, 2023

分层概念发现模型：一个概念金字塔方案

利用深度学习算法设计了一种多层次概念发现框架，允许人类理解的概念在决策过程中高度解释性，通过图像 - 文本模型和基于数据驱动和稀疏的贝叶斯算法进行多层次概念选择，实验结果表明这种构建不仅胜过最近的 CBM 方法，而且为解释性提供了一个有原则的框架。

Oct, 2023