基于类关联嵌入与循环对抗生成的医学图像主动全局可解释学习
计算机视觉与模式识别
2023-06-14 v1 人工智能
摘要
可解释性对人工智能（AI）技术构成一大挑战。当前关于可解释 AI（XAI）的研究缺乏提取关于学习任务全局知识的效率，因而存在显著性不精确、上下文感知缺失和语义模糊等缺陷。本文提出类关联嵌入（CAE）方法来解决这些问题。我们采用编码器-解码器架构嵌入样本特征，并将其同时分离为类相关和个体相关的风格向量。将给定样本的个体风格码与另一样本的类风格码重组，可得到保留个体特征但类属改变的合成样本，遵循循环对抗学习策略。类关联嵌入将所有实例的全局类相关特征蒸馏至统一域中，且类间分离良好。不同类间的转换规则可被提取并进一步应用于个体实例。我们随后提出一种主动 XAI 框架，其沿引导路径操纵某样本的类风格向量朝向反类，产生一系列具有相同个体特征的反事实合成样本。将这些反事实样本与原始样本比较，可对该分类任务的本质提供全局、直观的说明。我们将该框架用于医学图像分类任务，结果表明与现有方法相比可获得具有强大上下文感知表示的更精确显著性图。此外，疾病病理可通过在类风格空间中遍历路径直接可视化。
引用
@article{arxiv.2306.07306,
title = {Active Globally Explainable Learning for Medical Images via Class Association Embedding and Cyclic Adversarial Generation},
author = {Ruitao Xie and Jingbang Chen and Limai Jiang and Rui Xiao and Yi Pan and Yunpeng Cai},
journal= {arXiv preprint arXiv:2306.07306},
year = {2023}
}