.png){kind=icon}
返回
AA-SHAP: Superpixel Affinity for Explainable Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1111/exsy.70376.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可解释人工智能（XAI）对于建立对深度神经网络（DNNs）的信任至关重要。SHAP（Shapley加性解释）是一种用于归因特征重要性的知名XAI技术，但随着特征数量的增加，它面临着指数级计算复杂度的挑战。虽然已有多种近似方法被提出，但它们牺牲了SHAP的理论原则。我们介绍了AA-SHAP，一种新颖的方法，该方法从被解释模型的内部结构中推导超像素相关性以识别和分组超像素。AA-SHAP在超像素相互依赖性之间构建了相关性一致性相关性，能够在更少的元超像素集合上实现更快的SHAP计算，同时在解释保真度方面优于先前的方法。在简化的元超像素博弈中计算精确的Shapley值，保留了聚合特征空间内的所有公理保证。在多个数据集上评估后，卷积和Transformer分类架构均表明，AA-SHAP比竞争方法产生更可靠的归因，同时提高了计算速度并维持了SHAP的理论公理。源代码可在https://github.com/vhasic/AA-SHAP获取。
Keyword:
deep neural networks
explainability
explainable AI
image classification
interpretability
SHAP
XAI
期刊
IF:
2.3
论文数:
2.6K
被引数:
3.8K
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏A Systematic Review of Explainable Convolutional Neural Networks for Image Classification可解释卷积神经网络在图像分类中的系统综述Expert Systems
Expert SystemsIF2.3
PREAI
分享收藏
Interpretable image classification based on antifactual data基于反事实数据的可解释图像分类Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏
分享收藏
查看更多内容