一种有效的命中或脱靶层：以所学原型形变为特征解释
机器学习
2019-11-14 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来，为分类任务设计的神经网络已变得 commonplace。许多工作致力于开发更有效的网络，这导致其架构复杂化，如更多层、多个子网络甚至多个分类器的组合，但这常以产生不可解释的黑箱为代价。在本文中，我们重新设计了一个简单的胶囊网络，通过以新颖的命中或脱靶 (Hit-or-Miss) 层替换最后一层，使其能合成类代表性样本（称为原型）。该层包含称为胶囊的激活向量，我们通过定制特定的向心损失函数来训练其命中或脱靶一个固定目标胶囊。这一能力允许开发一个结合数据空间与特征空间信息的数据增强步骤，形成混合数据增强过程。我们表明，我们的网络 HitNet 在多个数据集上能达到优于初始 CapsNet 复现结果的性能，同时可将提取特征的性质可视化为原型的形变，从而直接洞察网络所学的特征表示。
引用
@article{arxiv.1911.05588,
title = {An Effective Hit-or-Miss Layer Favoring Feature Interpretation as Learned Prototypes Deformations},
author = {A. Deliege and A. Cioppa and M. Van Droogenbroeck},
journal= {arXiv preprint arXiv:1911.05588},
year = {2019}
}
备注
In AAAI-19 Workshop on Network Interpretability for Deep Learning. Published version of arXiv:1806.06519