arXiv 2410.089252026-01-07cs.LGcs.AIcs.CV

可解释深度学习中原型公式概述

An Overview of Prototype Formulations for Interpretable Deep Learning

Intuitive Robots Lab, Karlsruhe Institute of Technology, Karlsruhe, Germany（直观机器人实验室，卡尔斯鲁厄理工学院，卡尔斯鲁厄，德国）

Maximilian Xiling Li, Korbinian Franz Rudolf, Paul Mattes, Nils Blank, Rudolf Lioutikov

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出HyperPG，一种基于超球面的原型表示方法，在多个数据集上证明其优于传统欧几里得方法，且在简化训练方案下仍能保持竞争力。

摘要：

原型部分网络通过学习视觉原型为分类提供可解释的替代方案，而非黑箱深度学习模型。本文对原型公式进行了全面分析，比较了欧几里得和超球面潜在空间中的点基和概率方法。我们介绍了HyperPG，一种在超球面上使用高斯分布的概率原型表示。在CUB-200-2011、斯坦福汽车和牛津花朵数据集上的实验表明，超球面原型优于标准欧几里得公式。关键的是，超球面原型在简化训练方案下仍能保持竞争力，而欧几里得原型需要大量超参数调优。

英文摘要：

Prototypical part networks offer interpretable alternatives to black-box deep learning models by learning visual prototypes for classification. This work provides a comprehensive analysis of prototype formulations, comparing point-based and probabilistic approaches in both Euclidean and hyperspherical latent spaces. We introduce HyperPG, a probabilistic prototype representation using Gaussian distributions on hyperspheres. Experiments on CUB-200-2011, Stanford Cars, and Oxford Flowers datasets show that hyperspherical prototypes outperform standard Euclidean formulations. Critically, hyperspherical prototypes maintain competitive performance under simplified training schemes, while Euclidean prototypes require extensive hyperparameter tuning.

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。