ProtoPNeXt：更可解释的模型
计算机视觉与模式识别
2024-06-24 v1 人工智能
机器学习
摘要
原型-部件模型是计算机视觉中流行的可解释性黑箱深度学习模型的替代方案。然而，由于对超参数调优高度敏感，训练困难，限制了其在新数据集上的应用以及对哪些方法真正改进其性能的理解。为促进对原型-部件网络（ProtoNets）的深入研究，我们构建了一个整合原型-部件模型组件的新框架——ProtoPNeXt。使用 ProtoPNeXt，我们证明仅通过对原始 ProtoPNet 应用贝叶斯超参数调优和角度原型相似度度量，即可在 CUB-200 数据集上获得原型-部件模型的新型最先进准确率，适用于多个 backbone。我们进一步部署该框架，联合优化准确率和原型可解释性（由 ProtoPNeXt 中包含的度量衡量），在相同资源下 produces 准确性和语义上均显著优越的模型，准确率变化在 +1.3% 到 -1.5% 之间。代码和训练好的模型将在发表后公开。
引用
@article{arxiv.2406.14675,
title = {This Looks Better than That: Better Interpretable Models with ProtoPNeXt},
author = {Frank Willard and Luke Moffett and Emmanuel Mokel and Jon Donnelly and Stark Guo and Julia Yang and Giyoung Kim and Alina Jade Barnett and Cynthia Rudin},
journal= {arXiv preprint arXiv:2406.14675},
year = {2024}
}