稀疏编码中的可解释字典
机器学习
2020-11-25 v1 人工智能
计算机视觉与模式识别
摘要
人工神经网络（ANNs），特别是深度学习网络，常因其数据内部表示不易解释而被称为黑箱。在我们的工作中，我们说明了一个在特定的稀疏性约束下使用稀疏编码训练的 ANN，比标准深度学习模型产生更具可解释性的模型。稀疏编码学习到的字典更容易被理解，且这些元素的激活产生了选择性的特征输出。我们将我们的稀疏编码模型与在相同数据上训练的等价前馈卷积自编码器进行比较和对比。我们的结果显示，在学习到的稀疏编码字典以及内部激活表示的解释方面，均具有定性和定量的优势。
引用
@article{arxiv.2011.11805,
title = {The Interpretable Dictionary in Sparse Coding},
author = {Edward Kim and Connor Onweller and Andrew O'Brien and Kathleen McCoy},
journal= {arXiv preprint arXiv:2011.11805},
year = {2020}
}