组合性解锁深层可解释模型
机器学习
2025-04-04 v1
摘要
我们提出了 -net，这是一种内在可解释的体系结构，将张量网络的组合多线性结构与深度神经网络的表达性和效率相结合。-net 在准确率上保持与其基线模型持平。我们新颖且高效的对角化算法 ODT 揭示了多层 SVHN 模型中线性低秩结构。我们利用这一点实现正式的基于权重的可解释性和模型压缩。
引用
@article{arxiv.2504.02667,
title = {Compositionality Unlocks Deep Interpretable Models},
author = {Thomas Dooms and Ward Gauderis and Geraint A. Wiggins and Jose Oramas},
journal= {arXiv preprint arXiv:2504.02667},
year = {2025}
}