用于反事实解释的扩散模型
计算机视觉与模式识别
2022-03-30 v1 机器学习
摘要
反事实解释作为一种事后框架，在使图像分类器更具可解释性方面已展现出有前景的结果。在本文中，我们提出 DiME，一种利用近期扩散模型生成反事实图像的方法。通过借助引导式生成扩散过程，我们提出的方法展示了如何利用目标分类器的梯度来生成输入样本的反事实解释。此外，我们分析了当前评估虚假相关性的方法，并通过提出一个新指标：相关性差异（Correlation Difference）来扩展评估度量。我们的实验验证表明，所提算法在 CelebA 上的 6 项指标中有 5 项超越了先前的 SOTA 结果。
引用
@article{arxiv.2203.15636,
title = {Diffusion Models for Counterfactual Explanations},
author = {Guillaume Jeanneret and Loïc Simon and Frédéric Jurie},
journal= {arXiv preprint arXiv:2203.15636},
year = {2022}
}