面向后训练神经网络的层次化特征级逆向传播
计算机视觉与模式识别
2025-06-10 v1
摘要
端到端自动驾驶已成为主导范式，但其高度 entangled 的黑箱模型在可解释性和安全保证方面存在显著挑战。 为提高模型的透明度和训练灵活性，本文提出了一种针对预训练神经网络的层次化和解耦后训练框架。通过从 ground-truth 标签重建中间特征图，在转换层引入代理监督信号，以启用特定组件的独立训练，从而避免传统端到端反向传播的复杂性和耦合性，提供对网络内部机制的可解释性洞察。到目前为止，我们的方法是首次将特征级逆向计算正式形式化为良定义的优化问题，我们严格地将其重构为线性方程组或最小二乘问题。这建立了一种新型且高效的训练范式，将梯度反向传播扩展为特征反向传播。在多个标准图像分类基准上的广泛实验表明，所提出的方法在一般化性能和计算效率方面均优于传统训练方法，验证了其有效性和潜力。
引用
@article{arxiv.2506.07188,
title = {Hierarchical Feature-level Reverse Propagation for Post-Training Neural Networks},
author = {Ni Ding and Lei He and Shengbo Eben Li and Keqiang Li},
journal= {arXiv preprint arXiv:2506.07188},
year = {2025}
}
备注
13 pages, 7 figures,