深度网络的公理归因
ziwang-com opened this issue · comments
https://github.com/ankurtaly/Integrated-Gradients
集成梯度
(又名路径集成梯度,又名深度网络的公理归因)
触点:集成梯度 AT gmail.com
贡献者(按字母顺序,姓氏):
Kedar Dhamdhere(谷歌)
普拉莫德·考什克·穆德拉卡尔塔(芝加哥大学)
Mukund Sundararajan (Google)
Ankur Taly(谷歌大脑)
金华(肖恩)徐(确实)
我们研究了将深度网络的预测归因于其输入特征的问题,以尝试解释单个预测。例如,在对象识别网络中,归因方法可以告诉我们图像的哪些像素负责选择某个标签,或者句子中的哪些单词表示强烈的情感。
应用程序的范围从帮助开发人员调试,允许分析师探索网络的逻辑,以及让最终用户对网络预测的原因有一定的透明度。
积分梯度是计算预测输出的梯度的变体,w.r.t.输入的特征。它不需要修改原始网络,实现简单,适用于各种深度模型(稀疏和密集,文本和视觉)。
相关论文和幻灯片
深度网络的公理归因 -- Mukund Sundararajan, Ankur Taly, Qiqi Yan, 机器学习国际会议 (ICML) 论文集, 2017
本文介绍了积分梯度方法。它提供了该方法的公理论证以及各种深度网络的应用。幻灯片
模型是否理解了这些问题?-- Pramod Mudrakarta, Ankur Taly, Mukund Sundararajan, Kedar Dhamdhere, Proceedings of Computational Linguistics (ACL), 2018
本文讨论了集成梯度在评估问答网络鲁棒性方面的应用。幻灯片