CHiQPM：校准的层次化可解释图像分类
机器学习
2026-04-09 v2 计算机视觉与模式识别
人机交互
摘要
全局可解释模型是可信 AI 在安全关键领域的有前景的方案。除了全局解释之外，详细的局部解释对于在推理过程中有效支持人类专家至关重要。本文提出了校准的层次化 QPM（CHiQPM），其提供独特的全面全局和局部可解释性，为人机协作铺平了道路。CHiQPM 通过对比解释大多数类别来实现卓越的全局可解释性，并提供更类似人类推理的新型层次化解释，可遍历其内置可解释 conformal 预测（CP）方法。我们的全面评估表明，CHiQPM 以卓越的全局可解释性作为点预测器，保持了 99% 的非可解释模型准确率。这一发现表明，在不牺牲整体准确率的前提下，成功地将可解释性纳入了模型。此外，其校准的集合预测在其他 CP 方法方面具有竞争力，同时提供沿其层次化解释的连贯集合可解释预测。
关键词
引用
@article{arxiv.2511.20779,
title = {CHiQPM: Calibrated Hierarchical Interpretable Image Classification},
author = {Thomas Norrenbrock and Timo Kaiser and Sovan Biswas and Neslihan Kose and Ramesh Manuvinakurike and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:2511.20779},
year = {2026}
}
备注
Accepted to NeurIPS 2025, updated version with correction