利用深度学习发现科学图像数据的可解释模型
机器学习
2024-02-06 v1
摘要
给定一些复杂的原始数据（如图像），我们如何找到自然现象的可解释且适合领域的模型？我们能否利用此类模型从数据中推导科学见解？在本文中，我们提出了一些实现这一目标的方法。具体而言，我们实施了 disentangled 表示学习、稀疏深度神经网络训练和符号回归，并评估了它们在构建复杂图像数据可解释模型方面的有用性。我们通过显微镜数据中细胞状态分类这一经过充分研究的测试问题，展示了它们在生物成像领域的相关性。我们发现，此类方法可以产生高度简约的模型，其准确率达到黑盒基准模型的 ，而复杂度仅为后者的一小部分。我们探讨了此类可解释模型在生成潜在生物现象科学解释方面的效用。
引用
@article{arxiv.2402.03115,
title = {Discovering interpretable models of scientific image data with deep learning},
author = {Christopher J. Soelistyo and Alan R. Lowe},
journal= {arXiv preprint arXiv:2402.03115},
year = {2024}
}
备注
33 pages (including appendices), 27 figures