通过深度生成器网络合成神经网络中神经元的偏好输入
神经与进化计算
2016-11-24 v5 人工智能
计算机视觉与模式识别
机器学习
摘要
深度神经网络（DNNs）已在许多模式识别任务上展示了最先进的结果，尤其是视觉分类问题。理解此类计算大脑的内部运作机制既是有趣的基础科学（类似于我们研究人脑的动机），也将使研究者能够进一步改进DNNs。理解神经网络内部功能的一条路径是研究其每个神经元已学会检测的内容。其中一种方法称为激活最大化（AM），它合成一个高度激活某神经元的输入（例如图像）。本文通过利用一个强大的、学习得到的先验——深度生成器网络（DGN），极大地改进了激活最大化的定性最先进水平。该算法（1）生成质量上达到最先进水平的、看起来几乎真实的合成图像，（2）以可解释的方式揭示每个神经元学到的特征，（3）能很好地泛化到新数据集，且在一定程度上泛化到不同网络架构而无需重新学习该先验，（4）可被视为一种高质量的生成方法（在此情况下，通过生成新颖、有创造性、有趣且可识别的图像）。
引用
@article{arxiv.1605.09304,
title = {Synthesizing the preferred inputs for neurons in neural networks via deep generator networks},
author = {Anh Nguyen and Alexey Dosovitskiy and Jason Yosinski and Thomas Brox and Jeff Clune},
journal= {arXiv preprint arXiv:1605.09304},
year = {2016}
}
备注
29 pages, 35 figures, NIPS camera-ready