由此及彼：结合因果与非因果解释以生成胶囊内镜中的疾病进展
机器学习
2024-05-07 v1 人工智能
计算机视觉与模式识别
摘要
由于对理解深度学习网络决策过程有着明确的需求，模态依赖和模型无关技术都变得非常流行。尽管这两种思路都为自动化决策提供了透明度，但大多数方法要么侧重于使用模态梯度（模型依赖），要么忽略模型内部状态并依据模型的行为/结果（模型无关）来推理实例。在这项工作中，我们提出了一种统一的解释方法，给定实例后结合模型依赖与模型无关的解释来生成解释集合。所生成的解释不仅在样本邻域内一致，还能突出图像内容与结果之间的因果关系。我们使用无线胶囊内镜（WCE）领域来说明我们解释的有效性。我们的方法生成的显著图在softmax信息分数上可比或优于现有方法。
引用
@article{arxiv.2212.02506,
title = {This changes to that : Combining causal and non-causal explanations to generate disease progression in capsule endoscopy},
author = {Anuja Vats and Ahmed Mohammed and Marius Pedersen and Nirmalie Wiratunga},
journal= {arXiv preprint arXiv:2212.02506},
year = {2024}
}