通过马哈罗鲍夫距离解释神经网络

本文提出了一种理论框架，将神经网络的线性层与马哈罗鲍夫距离相联系，为神经网络可解释性提供了新的视角。虽然以往研究主要通过激活函数来探索性能优化，但我们的工作则通过统计距离度量来解释这些函数，这在神经网络研究中相对少见。通过建立这一联系，我们为 developing 更具可解释性的神经网络模型提供了基础，这对于需要透明度的应用至关重要。虽然本工作为理论性质且不包含实证数据，但提出的基于距离的解释方法有望增强模型的鲁棒性，提高泛化能力，并提供对神经网络决策更直观的解释。