GANchors：利用生成模型为 Anchors 生成真实图像扰动分布
机器学习
2019-06-04 v1 机器学习
摘要
我们通过使用生成对抗网络（GANs）扩展并改进了用于图像分类解释的模型无关 Anchors 的工作。利用 GANs，我们在低维潜在空间下进行优化，从而从更真实的扰动分布中生成样本。这增强了对解释的可信度，因为结果现在来自更可能出现在分类器原始训练集中的图像，而非随机图像的叠加。我们方法的一个主要缺陷是通过优化进行采样的计算复杂性；为此，我们实现了更高效的算法，包括一个多样性编码器。最后，我们分享了在 MNIST 和 CelebA 数据集上的结果，并指出我们的解释能够产生更小且更高精度的 anchors。
引用
@article{arxiv.1906.00297,
title = {GANchors: Realistic Image Perturbation Distributions for Anchors Using Generative Models},
author = {Kurtis Evan David and Harrison Keane and Jun Min Noh},
journal= {arXiv preprint arXiv:1906.00297},
year = {2019}
}
备注
Final project for the Fair and Transparent Machine Learning course at UT Austin -- taught by Dr. Joydeep Ghosh