隐藏的单调性：通过DC分解解释深度神经网络
计算机视觉与模式识别
2026-01-15 v2 机器学习
摘要
已在 various contexts 中证明，单调性导致神经网络的可解释性更好。然而，并非所有函数都能被良好近似的单调神经网络所表示。我们演示了单调性仍可以两种方式来提升可解释性。首先，我们采用对已训练的ReLU网络进行分解以适应为两个单调和凸部分的方法，从而克服由于权重在此程序中内在膨胀所导致的数值障碍。我们提出的注意力方法 - SplitCAM 和 SplitLRP - 在ImageNet-S 上对 VGG16 和 Resnet18 网络的各 Quantus 可解释性指标类别中均优于最先进的结果。其次，我们表明将模型训练为两个单调神经网络之间的差，结果得到具有强大自解释属性的系统。
引用
@article{arxiv.2601.07700,
title = {Hidden Monotonicity: Explaining Deep Neural Networks via their DC Decomposition},
author = {Jakob Paul Zimmermann and Georg Loho},
journal= {arXiv preprint arXiv:2601.07700},
year = {2026}
}