ProDG: 用于无数据生成式事后可解释性的原型
计算机视觉与模式识别
2026-05-21 v2
摘要
基于原型的事前可解释性方法通过利用直观的“这看起来像那个”推理范式提供高度准确的解释。另一方面，事后模型可以解释单张图像的预测，而无需依赖底层数据集或需要昂贵的神经网络重新训练。最近的方法成功解决了基于原型的网络的重新训练问题。然而，它们仍然面临一个根本限制：它们需要访问数据子集（例如，测试集或验证集）来搜索和提取视觉原型。在本文中，我们解决了这个问题，并引入了ProDG：用于无数据事后可解释性的生成式原型，这是一个新颖的框架，利用生成模型直接从冻结模型的权重中合成纯净、高保真的原型，完全消除了对外部数据的依赖。通过在无数据XAI领域建立这一新前沿，ProDG为隐私敏感领域解锁了鲁棒的视觉可解释性，在这些领域中原始数据受到严格限制或根本上无法访问。项目页面：https://github.com/piotr310100/ProDG
引用
@article{arxiv.2605.08858,
title = {ProDG: Prototypes for Data-Free Generative Post-Hoc Explainability},
author = {Piotr Borycki and Magdalena Trędowicz and Jacek Tabor and Łukasz Struski and Przemysław Spurek},
journal= {arXiv preprint arXiv:2605.08858},
year = {2026}
}