InfoDisent：基于信息解耦的图像分类模型可解释性
InfoDisent: Explainability of Image Classification Models by Information Disentanglement
AI总结：
本文提出基于信息瓶颈原理的混合方法InfoDisent，将预训练模型末层信息解耦为原子概念，结合事后方法灵活性与自解释网络概念建模能力，并在多数据集与骨干网络实验及用户研究中验证其有效性，成功泛化至ImageNet等新领域。
摘要：
在本研究中，我们提出了InfoDisent，一种基于信息瓶颈原理的混合可解释性方法。InfoDisent能将任何预训练模型最后一层的信息解耦为原子概念，这些概念可被解释为原型部分。该方法融合了事后方法的灵活性与自解释神经网络（如ProtoPNets）的概念级建模能力。我们通过使用ViTs和卷积网络等现代骨干网络在多个数据集上的计算实验和用户研究，证明了InfoDisent的有效性。值得注意的是，InfoDisent将原型部分方法泛化到了新领域（ImageNet）。
英文摘要：
In this work, we introduce InfoDisent, a hybrid approach to explainability based on the information bottleneck principle. InfoDisent enables the disentanglement of information in the final layer of any pretrained model into atomic concepts, which can be interpreted as prototypical parts. This approach merges the flexibility of post-hoc methods with the concept-level modeling capabilities of self-explainable neural networks, such as ProtoPNets. We demonstrate the effectiveness of InfoDisent through computational experiments and user studies across various datasets using modern backbones such as ViTs and convolutional networks. Notably, InfoDisent generalizes the prototypical parts approach to novel domains (ImageNet).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
