基于可学习随机性注入的可解释几何深度学习
机器学习
2023-03-03 v2
摘要
点云数据在科学领域中无处不在。近来，几何深度学习（GDL）已被广泛应用于解决此类数据的预测任务。然而，GDL模型通常复杂且难以解释，这对打算在科学分析与实验中部署这些模型的科学家构成了担忧。本工作提出一种通用机制——可学习随机性注入（LRI），它允许基于通用GDL骨干构建内在可解释的模型。一旦训练完成，LRI诱导的模型能够检测点云数据中携带指示预测标签信息的数据点。我们还提出了来自真实科学应用的四个数据集，涵盖高能物理与生物化学领域，以评估LRI机制。与以往事后解释方法相比，LRI检测到的点与具有实际科学意义的真值模式吻合更好且更稳定。LRI以信息瓶颈原理为理论基础，因此LRI诱导的模型对训练与测试场景间的分布偏移也更具鲁棒性。我们的代码与数据集可在 \url{https://github.com/Graph-COM/LRI} 获取。
引用
@article{arxiv.2210.16966,
title = {Interpretable Geometric Deep Learning via Learnable Randomness Injection},
author = {Siqi Miao and Yunan Luo and Mia Liu and Pan Li},
journal= {arXiv preprint arXiv:2210.16966},
year = {2023}
}
备注
ICLR 2023