可解释深度学习的原型公式概览
机器学习
2026-01-08 v4 人工智能
计算机视觉与模式识别
摘要
原型部件网络通过学习分类的视觉原型，提供了对黑箱深度学习模型的可解释替代方案。本工作对原型公式进行全面分析，比较了基于点的和概率方法，分别在欧几里得空间和球面空间中进行。我们引入 HyperPG，使用球面上的高斯分布表示概率原型。在 CUB-200-2011、Stanford Cars 和 Oxford Flowers 数据集上的实验表明，球面原型在性能上优于标准的欧几里得公式。关键的是，球面原型在简化的训练方案下仍能保持竞争性能，而欧几里得原型则需要 extensive 的超参数调优。
引用
@article{arxiv.2410.08925,
title = {An Overview of Prototype Formulations for Interpretable Deep Learning},
author = {Maximilian Xiling Li and Korbinian Franz Rudolf and Paul Mattes and Nils Blank and Rudolf Lioutikov},
journal= {arXiv preprint arXiv:2410.08925},
year = {2026}
}