重新审视 FunnyBirds 评估框架在原型部件网络中的应用

原型部件网络（如 ProtoPNet）因其有可能产生比事后方法更真实的解释而广受欢迎。然而，长期以来，这一潜力纯粹是理论上的，尚无系统性研究来支持它。随着 FunnyBirds 基准的引入，这种情况发生了变化，该基准包含用于评估解释不同方面的指标。然而，该基准对所有解释技术（除 ProtoPNet 外）采用归因图可视化，而对 ProtoPNet 则使用边界框。这一选择显著影响了指标得分，并对 FunnyBirds 论文中的结论提出了质疑。在本研究中，我们全面比较了 ProtoPNet 两种可视化方式（边界框和相似性图）获得的指标得分。我们的分析表明，采用相似性图更符合 ProtoPNet 的本质，这从 FunnyBirds 获得的不同指标得分可以得到证明。因此，我们倡导在可解释性评估基准中将相似性图用作原型部件网络的可视化技术。