一种基于深度学习的射电星系分类的模型局部解释例程
天体物理仪器与方法
2023-07-10 v1 星系天体物理
摘要
射电星系形态分类是大规模射电连续谱巡天制作源星表的关键步骤之一。尽管近期许多研究尝试使用深度学习算法（即卷积神经网络）从巡天图像数据中对射电源形态进行分类，但它们大多聚焦于模型鲁棒性。目前尚不清楚模型是否像射电天文学家那样做出预测。在这项工作中，我们使用局部可解释模型无关解释（LIME），一种最先进的可解释人工智能（XAI）技术，来解释模型预测行为，从而以概念验证的方式检验该假设。随后，我们描述了 LIME 的一般工作原理，以及它如何帮助解释射电星系分类模型预测的初步结果。
引用
@article{arxiv.2307.03453,
title = {A model local interpretation routine for deep learning based radio galaxy classification},
author = {Hongming Tang and Shiyu Yue and Zijun Wang and Jizhe Lai and Leyao Wei and Yan Luo and Chuni Liang and Jiani Chu},
journal= {arXiv preprint arXiv:2307.03453},
year = {2023}
}
备注
4 pages, 1 figure, accepted summary paper for URSI GASS 2023 J07