用于可解释深度图像分类的理性疏忽效用最大化
机器学习
2021-08-03 v3 理论经济学
摘要
用于图像分类的深度卷积神经网络（CNN）是否可以用带有信息获取成本的效用最大化来解释？我们证明深度 CNN 在必要与充分条件意义上等价于理性疏忽效用最大化者——一种在经济学中广泛用于人类决策的生成模型。我们的论断基于对来自 5 种流行架构的 200 个深度 CNN 的大量实验。我们可解释模型的参数通过凸可行性算法高效计算。作为一个应用，我们展示了基于经济学的可解释模型能够以超过 94% 的准确率预测以任意参数训练的深度 CNN 的分类性能。这消除了为图像分类重新训练深度 CNN 的需要。我们方法的理论基础在于微观经济学中研究的贝叶斯显示偏好。我们所有的结果都在 GitHub 上且完全可复现。
引用
@article{arxiv.2102.04594,
title = {Rationally Inattentive Utility Maximization for Interpretable Deep Image Classification},
author = {Kunal Pattanayak and Vikram Krishnamurthy},
journal= {arXiv preprint arXiv:2102.04594},
year = {2021}
}