本文针对 prototypical part network 在 vision transformer 上的应用存在的 “干扰” 问题，提出了 prototypical part transformer 方法，引入全局和局部原型来捕捉和突出目标的代表性整体和部分特征，并通过显式监督控制局部原型，从而提高整体的可解释性与表现。

Aug, 2022

基于原型部件的神经网络（ProtoPartNNs）及其衍生物是一种本质上可解释的机器学习方法。我们提出了 Pixpnet，这是唯一能真正学习和定位于原型对象部分的 ProtoPartNN，通过采用基于位置感受野的架构约束和基于像素的映射，我们实现了可度量的改进可解释性而不牺牲准确性。

Sep, 2023

使用 ProtoPNeXt 框架，结合贝叶斯超参数调整和角度原型相似度度量，有效提高了原始 ProtoPNet 在 CUB-200 上的准确性，同时优化了原型的可解释性，产生了具有显著改进的模型。

Jun, 2024

介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

Jun, 2018

本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

Nov, 2014

该论文提出了一种新的方法 Proto2Proto 来通过知识蒸馏将一个基于原型的模型的可解释性传递到另一个模型中，探究模型之间的可解释性传递。该方法有两个新的 loss：全局解释 loss 和 Patch-Prototype Correspondence loss，并提出了三个新的度量来评估模型的可解释性传递。实验结果表明该方法有效实现了模型之间的可解释性传递，并显示出具有竞争性的性能。

Apr, 2022

ProtoTEx 是一种基于原型网络的新型白盒 NLP 分类体系结构，其通过原型张量解释模型决策，可在处理没有代表性特征的类别时有效地处理，可精准检测网络新闻中的宣传，并通过原型解释帮助非专业人士更好地识别宣传。

Apr, 2022

本文介绍了 ProtoPShare，一种基于原型部件范例的自我解释方法，具有数据依赖的合并修剪功能，能够有效地在类别之间共享原型部件，原型更加一致，模型对图像扰动更加稳健，并在 CUB-200-2011 和斯坦福车辆两个数据集上验证了我们的发现。

Nov, 2020

使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

Dec, 2015

通过量化影响色调、形状、纹理、对比度和饱和度的视觉特征，提高基于原型的图像识别的可解释性。

Nov, 2020