LRP归因平均值的值界与收敛性分析
机器学习
2025-09-12 v1 计算机视觉与模式识别
摘要
我们通过将层间相关性传播（LRP）类型的归因方法表示为修正梯度矩阵的乘积来分析其数值特性。这种表示与由微分链式法则产生的雅可比矩阵的矩阵乘法形成了类比。为了阐明归因值的分布，我们推导了奇异值的上界。此外，我们还推导了归因图值的分量界。作为主要结果，我们应用这些分量界来获得乘法常数。这些常数控制着归因经验均值向归因图期望值的收敛。这一发现对于将多个非几何数据增强应用于单个测试样本的场景以及Smoothgrad类型的归因方法具有重要意义。特别是，我们的分析揭示，LRP-beta的常数与权重范数无关，这是与基于梯度的方法和LRP-epsilon的一个显著区别。
引用
@article{arxiv.2509.08963,
title = {Value bounds and Convergence Analysis for Averages of LRP attributions},
author = {Alexander Binder and Nastaran Takmil-Homayouni and Urun Dogan},
journal= {arXiv preprint arXiv:2509.08963},
year = {2025}
}
备注
37 pages