置信自然度解释（CNE）：一种解释与评估自然度形成模式的框架
机器学习
2024-02-19 v4 计算机视觉与模式识别
摘要
受保护的自然区域是受城市化、农业及其他人类干预等人类活动影响最小的区域。为了更好地理解并绘制这些区域的自然度，可利用机器学习模型分析卫星影像。具体而言，可解释机器学习方法在揭示这些受保护环境中构成自然度概念的模式方面展现出潜力。此外，解决机器学习模型固有的不确定性对于全面理解该概念至关重要。然而，现有方法存在局限：它们要么无法提供既有效又客观的解释，要么难以给出准确量化特定模式对自然度贡献及其相关置信度的指标。本文提出一种称为置信自然度解释（CNE）框架的新方法，该框架结合可解释机器学习与不确定性量化以评估和解释自然度。我们引入一种描述模式对自然度概念置信贡献的新定量指标，并为每个输入样本生成感知不确定性的分割掩码，突出模型缺乏知识的区域。为验证框架有效性，我们将其应用于芬诺斯坎迪亚（Fennoscandia）研究区，使用两个开源卫星数据集。
引用
@article{arxiv.2311.08936,
title = {Confident Naturalness Explanation (CNE): A Framework to Explain and Assess Patterns Forming Naturalness},
author = {Ahmed Emam and Mohamed Farag and Ribana Roscher},
journal= {arXiv preprint arXiv:2311.08936},
year = {2024}
}