.png){kind=icon}
返回
Genetic Algorithm to Understand Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-97119-8_41.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了遗传IPHA，一种用于可解释人工智能（XAI）的新方法，旨在识别神经网络执行图像分类任务中像素的重要性。该方法将可解释性表述为一个优化问题，采用遗传算法来最大化适应度函数并生成突出显示模型预测中重要或不重要像素的掩码。实验使用CIFAR-10数据集对遗传IPHA与现有的可解释性方法进行了评估和比较。结果表明，遗传IPHA在识别相关和非相关像素方面始终优于其他算法，准确性更优。这突显了其作为增强模型可解释性的稳健有效解决方案的潜力。
Keyword:
Explainable artificial intelligence
Genetic algorithm
Image classification
期刊
E
IF:
0
论文数:
191
被引数:
0
机构
引用论文
Tell Model Where to Attend: Improving Interpretability of Aspect-Based Sentiment Classification via Small Explanation Annotations.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications解释深度神经网络及其以后: 方法和应用综述PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏Robust explainability: a tutorial on gradient-based attribution methods for deep neural networks鲁棒可解释性：关于深度神经网络梯度基归因方法的一本教程
IF0
PREAI
分享收藏
查看更多内容