基于知识蒸馏的方法来增强分类模型的透明度
人工智能
2025-02-25 v1
摘要
随着人工智能（AI）的快速发展，尤其是在医疗领域，对其可解释性的需求日益增长。在医学图像分析中，高度的透明度和模型可解释性有助于临床医生更好地理解和信任AI模型的决策过程。本研究提出了一种基于知识蒸馏（KD）的方法，旨在增强医学图像分析中AI模型的透明度。初始步骤是使用传统卷积神经网络（CNN）构建教师模型，然后利用知识蒸馈简化CNN架构，保留数据集的大部分特征，并减少网络层数。还使用学生模型的特征图进行层次化分析，以识别关键特征和决策过程。这导致直观的可视化解释。我们选取了三个公共医学数据集（脑肿瘤、眼疾和阿尔茨海默病）进行方法测试。结果显示，即使在网络层数减少的情况下，我们的方法在测试集上仍提供出色的结果，并且缩短了可解释性分析所需的时间。
引用
@article{arxiv.2502.15959,
title = {A Knowledge Distillation-Based Approach to Enhance Transparency of Classifier Models},
author = {Yuchen Jiang and Xinyuan Zhao and Yihang Wu and Ahmad Chaddad},
journal= {arXiv preprint arXiv:2502.15959},
year = {2025}
}
备注
Accepted in AAAI 2025