ProtoVAE：一种可信的自解释原型变分模型
机器学习
2022-10-18 v1
摘要
对可解释模型的需求促进了自解释分类器的发展。现有方法要么基于多阶段优化方案，影响了模型的预测性能，要么产生的解释不透明、不可信或未能捕捉数据的多样性。为解决这些不足，我们提出 ProtoVAE，一种基于变分自编码器的框架，它以端到端方式学习类特定原型，并通过正则化表示空间与引入正交归一约束来增强可信性与多样性。最后，该模型通过将原型直接纳入决策过程来实现透明性。与以往自解释方法的广泛比较证明了 ProtoVAE 的优越性，凸显了其在生成可信且多样的解释的同时不降低预测性能的能力。
引用
@article{arxiv.2210.08151,
title = {ProtoVAE: A Trustworthy Self-Explainable Prototypical Variational Model},
author = {Srishti Gautam and Ahcene Boubekki and Stine Hansen and Suaiba Amina Salahuddin and Robert Jenssen and Marina MC Höhne and Michael Kampffmeyer},
journal= {arXiv preprint arXiv:2210.08151},
year = {2022}
}