伴随反演揭示 CNN 分类器中的全息叠加与相消干涉

CNN 可解释性中的一个基本假设——深度编码器抑制背景像素而分类器仅从清洗后的特征池中进行选择（空间漏斗假说）——由于现有可视化工具中的空间幻觉而未被检验。我们通过引入一个基于幅度-相位解耦和局部伴随校正器的无幻觉反演框架来解决这个问题。我们的方法在数学上保证了每个重建的空间梯度支撑严格来源于真正活跃的通道。利用该框架作为几何探针，我们发现了视觉编码器中强叠加的首个像素级证据。我们表明，逐通道反演是全息的：正权重和负权重的重建在视觉和能量上无法区分。然而，它们的代数和却急剧地集中在前景上。这证明了分类是通过相消干涉进行的——分类器权重在像素空间中抵消了一个共享的背景方向，并建设性地组装了类别判别残差，从而直接证伪了空间漏斗假说。该干涉模型将容许干涉子空间的体积确定为支配通道需求的几何量。我们证明该体积是 GAP 协方差行列式的对偶，从而产生了一个具有 $(1-1/e)$ 近似保证的协方差-体积通道选择算法。该算法在数学上揭示了分布外（OOD）失效是干涉式分类所必需的协方差体积的可测量坍缩。我们的框架可以无缝扩展到基于注意力的头部，无需重新训练。