基于表示点选择的无监督目标定位

我们提出一种新颖的无监督目标定位方法，可利用自监督预训练模型而无需额外微调来解释模型预测。现有的无监督与自监督目标定位方法常利用类无关激活图或预训练模型的自相似图。尽管这些图能为定位提供有价值的信息，但其解释模型如何做出预测的有限能力仍具挑战性。本文中，我们提出一种基于表示点选择的简单而有效的无监督目标定位方法，其中模型预测可表示为训练点表示点值的线性组合。通过选择对模型预测最为重要的样本作为表示点，我们的模型可通过提供相关示例及其重要性，来揭示模型如何预测前景目标。我们的方法在多个数据集上以显著优势优于最先进的无监督与自监督目标定位方法，甚至优于近期的弱监督与少样本方法。