IMPACTX：通过教师解释适当约束训练以提升模型性能
机器学习
2026-04-17 v2 人工智能
摘要
可解释人工智能（XAI）研究主要集中于提供关于人工智能模型决策的解释，尤其是深度学习（DL）模型。然而，越来越多的研究关注利用XAI技术自动提升AI系统本身的性能。本文提出IMPACTX，一种利用XAI作为完全自动化注意力机制的新方法，无需外部知识或人类反馈。实验结果表明，IMPACTX通过将基于XAI方法输出的注意力机制集成到模型训练中，提升了独立机器学习模型的性能。此外，IMPACTX直接为模型的决策提供适当的特征归因图，无需在推理过程中依赖外部XAI方法。本提案使用三个广泛认可的深度学习模型（EfficientNet-B2、MobileNet和LeNet-5）以及三个标准图像数据集：CIFAR-10、CIFAR-100和STL-10进行评估。结果表明，IMPACTX一致地提升了所有受检深度学习模型在所有评估数据集上的性能，并直接为其响应提供了适当的解释。
引用
@article{arxiv.2502.12222,
title = {IMPACTX: improving model performance by appropriately constraining the training with teacher explanations},
author = {Andrea Apicella and Salvatore Giugliano and Francesco Isgrò and Andrea Pollastro and Roberto Prevete},
journal= {arXiv preprint arXiv:2502.12222},
year = {2026}
}
备注
Published on Artificial Intelligence Review