CNN 的后验自我解释
计算机视觉与模式识别
2026-03-31 v1 机器学习
摘要
虽然标准卷积神经网络 (CNN) 可数学上重新解释为自我解释模型 (SEM)，但其内置的 prototype 本身并不足以准确代表数据。将最终线性层替换为基于 均值的分类器可解决这一局限，同时不影响性能。本文为基于 均的后验解释提供了统一形式化，涵盖分类器、编码器最终输出 (B4) 以及中间特征激活的组合。后者方法利用卷积感受野的空间一致性生成概念基的解释图，这些解释图由无梯度特征归因图支持。经验评估表明，使用较浅的、压缩程度较低的特征激活（如来自最后三层的 B234）在语义忠实度和预测性能轻微下降之间实现了权衡。
引用
@article{arxiv.2603.28466,
title = {Post-hoc Self-explanation of CNNs},
author = {Ahcène Boubekki and Line H. Clemmensen},
journal= {arXiv preprint arXiv:2603.28466},
year = {2026}
}