用于阿尔茨海默病自动检测的可解释CNN-注意力网络（C-Attention网络）
计算与语言
2021-01-11 v2 机器学习
摘要
在本工作中，我们提出三种可解释深度学习架构，基于语言能力下降自动检测阿尔茨海默病患者。这些架构分别使用：（1）仅词性特征；（2）仅语言嵌入特征；（3）通过统一架构同时使用这两类特征。我们采用自注意力机制与可解释的1维卷积神经网络（CNN）生成模型行为的两类解释：类内解释与类间解释。类内解释捕捉该类各不同特征的相对重要性，而类间解释捕捉类之间的相对重要性。需注意，尽管本文考虑了两类特征，该架构因其模块化而易于扩展至更多类。大量实验及与若干近期模型的比较表明，我们的方法在DementiaBank数据集上以92.2%准确率和0.952的F1分数优于这些方法，同时能够生成解释。我们通过示例展示了如何利用注意力值生成这些解释。
引用
@article{arxiv.2006.14135,
title = {Explainable CNN-attention Networks (C-Attention Network) for Automated Detection of Alzheimer's Disease},
author = {Ning Wang and Mingxuan Chen and K. P. Subbalakshmi},
journal= {arXiv preprint arXiv:2006.14135},
year = {2021}
}