max-plus神经网络的可解释性研究
计算机视觉与模式识别
2026-05-05 v1 机器学习
摘要
我们研究了最近提出的线性min-max神经网络的可解释性。初始化时，可解释为以无穷范数作为距离的k-中位数。随后，它们使用亚梯度下降进行训练以更好地拟合数据。该模型被证明是通用逼近器。然而，我们可以追踪决策过程，因为单个最激活神经元负责输出值。基于此属性，我们设计了像素脆弱性度量，用于确定单像素变化是否可能导致分类输出改变。在PneumoniaMnist数据集上实验表明，本方法对神经网络输出的解释优于SHAP和积分梯度方法。
引用
@article{arxiv.2605.00889,
title = {On the explainability of max-plus neural networks},
author = {Ikhlas Enaieh and Olivier Fercoq and García Ángel},
journal= {arXiv preprint arXiv:2605.00889},
year = {2026}
}
备注
IEEE International Symposium on Computer-Based Medical Systems (CBMS 2026), Jun 2026, Limassol, Cyprus, Cyprus