用于解释与诊断迁移学习过程的可视化分析框架
人机交互
2020-09-16 v1 人工智能
机器学习
摘要
许多统计学习模型持有一个假设，即训练数据与未来的无标签数据来自同一分布。然而，该假设在真实场景中难以满足，并为复用相似应用领域中现有标签造成了障碍。迁移学习旨在通过建模领域间关系来放宽该假设，并常应用于深度学习应用中以减少对标签数据和训练时间的需求。尽管近期在利用可视化分析工具探索深度学习模型方面取得了进展，鲜有工作探索解释和诊断深度学习模型间知识迁移过程的问题。在本文中，我们提出一个可视化分析框架，用于在训练深度神经网络时对迁移学习过程进行多层次探索。我们的框架建立了多方面设计，以解释在训练深度神经网络时现有模型学到的知识如何迁移到新学习任务中。基于全面的需求与任务分析，我们采用描述性可视化结合性能度量，并从统计、实例、特征和模型结构层面对模型行为进行详细检视。我们通过两个基于微调 AlexNet 的图像分类案例研究来展示我们的框架，说明分析人员如何利用该框架。
引用
@article{arxiv.2009.06876,
title = {A Visual Analytics Framework for Explaining and Diagnosing Transfer Learning Processes},
author = {Yuxin Ma and Arlen Fan and Jingrui He and Arun Reddy Nelakurthi and Ross Maciejewski},
journal= {arXiv preprint arXiv:2009.06876},
year = {2020}
}
备注
Accepted to IEEE Transactions on Visualization and Computer Graphics (Proc. IEEE VAST 2020)