NFT-K：非同质切向核
机器学习
2021-10-12 v1
摘要
深度神经网络因其在视觉、强化学习（RL）和分类等方面的强大经验性能，已成为众多应用不可或缺的工具。遗憾的是，这些网络相当难以解释，这限制了它们在可解释性对安全性重要的场景（如医学影像）中的适用性。一种深度神经网络是神经正切核（neural tangent kernel），它类似于提供某些可解释性方面的核机器。为了进一步在分类和层方面贡献可解释性，我们开发了一种新网络，作为多个神经正切核的组合，每个核分别建模深度神经网络的每一层，而过去的工作试图通过单个神经正切核表示整个网络。我们在两个数据集上展示了该模型的可解释性，表明多核模型阐明了各层与预测之间的相互作用。
引用
@article{arxiv.2110.04945,
title = {NFT-K: Non-Fungible Tangent Kernels},
author = {Sina Alemohammad and Hossein Babaei and CJ Barberan and Naiming Liu and Lorenzo Luzi and Blake Mason and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2110.04945},
year = {2021}
}