面向人类的深度学习：可解释性、因果性与生物学启发

本工作将深度学习 (DL) 与人类的推理能力和需求相结合，以实现更高效、更可解释、更稳健的图像分类。我们从可解释性、因果性和生物视觉三个角度进行探索。先行章节介绍和背景介绍后，我们评估了神经网络的可视化技术用于医学图像，验证了一种面向乳腺肿瘤分类的可解释设计方法。随后，对 XAI 与因果性的交叉进行综合综述，介绍一种通用框架来组织过去和未来的研究，为第二种视角奠定基础。在因果性方面，我们提出了新颖的模块，利用医学图像中的特征共现情况，导致更有效、更可解释的预测。我们进一步引入 CROCODILE，一个通用框架，整合因果概念、对比学习、特征解耦和先验知识，以增强泛化能力。最后，我们探索生物视觉，考察人类如何识别物体，提出 CoCoReco，一种受连接构型启发、带有上下文感知注意力机制的网络。总体而言，本文的关键发现包括：(i) 简单的激活最大化对医学图像 DL 模型缺乏洞察力；(ii) 原型-部件学习有效且符合放射学标准；(iii) XAI 与因果机器学习密切相关；(iv) 在无先验信息的情况下，弱因果信号可被利用以提高性能和可解释性；(v) 我们的方法在医学领域和超出分布数据上具有广泛适用性；(vi) 纳入生物电路构型可改善人类导向的识别。本工作推动了面向人类的深度学习，并指出了将研究与临床应用衔接的路径，对提高信任、诊断准确性和安全部署具有意义。