更小即更好：通过剪枝提升车辆 AI 系统的透明度
计算机视觉与模式识别
2025-10-07 v2
摘要
联合自动驾驶车辆持续依赖 AI 系统，透明度和安全性对于建立信任和运行安全至关重要。后置解释提供了对这些类黑箱 AI 模型的透明度，但由于解释质量和可靠性常被质疑（例如因不一致性和缺乏忠实性而无法准确代表模型决策），其解释往往受到质疑。本文系统性地检验了三种广泛使用的训练方法——自然训练、对抗训练和剪枝——对交通标志分类器后置解释质量的影响。通过大量实证评估，我们展示了剪枝显著增强了解释的可理解性和忠实性（使用显著性图）。我们的发现表明，剪枝不仅改善了模型效率，还强制学习到的表示稀疏化，从而导致更具可解释性和可靠性的决策。此外，这些见解表明，剪枝是开发透明深度学习模型的有前景的策略，尤其是在资源受限的车辆 AI 系统中。
引用
@article{arxiv.2509.20148,
title = {Smaller is Better: Enhancing Transparency in Vehicle AI Systems via Pruning},
author = {Sanish Suwal and Shaurya Garg and Dipkamal Bhusal and Michael Clifford and Nidhi Rastogi},
journal= {arXiv preprint arXiv:2509.20148},
year = {2025}
}
备注
17 pages