ShapBPT：基于数据感知二元分割树的图像特征归因
计算机视觉与模式识别
2026-03-26 v3 机器学习
摘要
像素级特征归因是解释性人工智能（XAI）在计算机视觉（CV）中重要的工具，提供有关图像特征如何影响模型预测的视觉见解。Owen 公式用于分层Shapley值，已广泛用于解释机器学习（ML）模型及其学习表示。然是，现有分层Shapley方法未利用图像数据的多尺度结构，导致收敛缓慢且与实际形态特征对齐较弱。此外，尚无Shapley方法利用数据感知层次结构进行计算机视觉任务，导致结构化视觉数据模型可解释性存在差距。为此，本文引入ShapBPT，一种基于分层Shapley公式的数据感知XCV方法。ShapBPT 将Shapley系数分配给针对图像的多尺度层次结构——二元分割树（BPT）。通过使用数据感知的层次划分，ShapBPT确保特征归因与图像内在形态对齐，有效优先相关区域，同时降低计算开销。该进展将分层Shapley方法与图像数据相结合，为视觉可解释性提供更高效且语义更有意义的方法。实验结果确认ShapBPT的有效性，显示其在图像结构对齐方面优于现有XCV方法，在效率上亦有所提升，并通过 20 名受试者用户研究证实ShapBPT解释更受人类偏好。
引用
@article{arxiv.2602.07047,
title = {ShapBPT: Image Feature Attributions Using Data-Aware Binary Partition Trees},
author = {Muhammad Rashid and Elvio G. Amparore and Enrico Ferrari and Damiano Verda},
journal= {arXiv preprint arXiv:2602.07047},
year = {2026}
}
备注
Presented at AAAI-26 conference and published in Proceedings of the The Fortieth AAAI Conference on Artificial Intelligence (AAAI-26)