SMOOT：显著性引导掩码优化的在线训练

深度神经网络是理解复杂模式和进行决策的有力工具。然而，其黑盒特性阻碍了对内部工作机制的完整理解。显著性引导训练（SGT）方法试图基于输出突出模型训练中的显著特征，以缓解这一问题。这些方法利用反向传播和修改的梯度将模型引导至最相关的特征，同时对预测精度的影响保持可忽略。SGT 通过部分掩码输入使模型的最终结果更具可解释性。通过这种方式，结合模型输出，我们可以推断输入的每个片段如何影响输出。在图像作为输入的特定情况下，掩码应用于输入像素。然而，掩码策略和我们掩码的像素数量被视为超参数。掩码策略的适当设置会直接影响模型的训练。在本文中，我们关注这一问题并给出我们的贡献。我们提出了一种基于输入、准确率和模型损失在训练过程中确定最优掩码图像数量的新方法。该策略防止了信息丢失，从而带来更好的准确率值。此外，通过将模型性能整合进策略公式中，我们表明我们的模型更有意义地表示了显著特征。我们的实验结果表明，在模型准确率和显著性突出程度方面均有实质性提升，从而证实了所提方案的有效性。