少即是多：剪枝对 CNN 可解释性的影响
计算机视觉与模式识别
2025-01-15 v3 人工智能
摘要
在上个世纪，深度学习模型已成为解决复杂计算机视觉问题的最先进方法。这些现代计算机视觉模型拥有数百万参数，这带来了两大挑战：（1）日益增长的计算需求阻碍了在资源受限环境（如移动或 IoT 设备）中的部署；（2）向人类解释此类网络的复杂决策十分困难。网络剪枝是一种降低模型复杂度的技术方法，即移除不太重要的参数。本文所呈现的工作研究了这种技术复杂度的降低是否也有助于感知到的可解释性。为此，我们开展了一项预研究与两项以人为基础（human-grounded）的实验，评估不同剪枝比例对可解释性的影响。总体而言，我们在 Mechanical Turk 上以 37 500 项任务评估了四种不同的压缩率（即 2、4、8 和 32）。结果表明，较低的压缩率对可解释性有正向影响，而较高的压缩率呈现负向效应。此外，我们得以识别出同时提升感知可解释性与模型性能的甜点区。
引用
@article{arxiv.2302.08878,
title = {Less is More: The Influence of Pruning on the Explainability of CNNs},
author = {Florian Merkle and David Weber and Pascal Schöttle and Stephan Schlögl and Martin Nocker},
journal= {arXiv preprint arXiv:2302.08878},
year = {2025}
}