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
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
这篇论文介绍了一种新的原型分布生成学习方法,名为 MGProto,它使用高斯混合模型表示原型分布,并结合原型多样性目标函数来提高表示能力和减少冗余,同时利用其生成性质实现了有效的异常样本检测。实验结果表明 MGProto 在分类和异常样本检测方面取得了最先进的性能,并具有令人鼓舞的可解释性结果。
Nov, 2023
本文提出了一种基于样例理解的自选模型,使用原型概念的线性组合来解释自己的预测,以实现更好的可解释性,并通过多种限制条件进行优化。实验结果表明该方法具有良好的可解释性和竞争性的准确性。
Dec, 2022
本文提出了一个基于概念的后续解释 AI 框架,通过原型模型不仅传达了每个实例的决策策略 (局部),而且还传达了整体的类别决策策略 (全局),从而降低了对人类长期评估的依赖,并使模型验证成为一个直观且可解释的工具。
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
该论文探讨了基于模板方法选择数据集中的样本子集,以在分类场景下实现数据精简,即挑选代表性样本集合进行分类任务的研究,并提出了一种基于集合覆盖优化的方法来解决这一问题。
Feb, 2012
通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量,我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型,发现原型质量有待改善以提高相关性、纯度和学习多样性。
Mar, 2024
冷冻预训练的 ViT 后骨干能有效地转化为示范性模型,提高模型的准确性、简洁性和可解释性,通过一系列定量和定性指标评估模型可解释性。
本文提出了一种数据挖掘算法,利用强理论保证在任何对称正定核情况下找到代表性原型和批评(即异常值),并演示了其在零售、MNIST 数字识别和 CDC 数据集上的实际应用效果。
Jul, 2017