.png){kind=icon}
返回
Superpixel Correlation for Explainable Image Classification
.png){kind=icon}
OA
AI
DOI：10.1007/978-3-032-08330-2_2.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）对于促进对深度神经网络（DNNs）预测的信任至关重要，尤其是在图像分类领域。SHAP（SHapley Additive exPlanations）是一种基于博弈论的理论严谨方法，是用于归因特征重要性的重要XAI技术。然而，SHAP固有的计算复杂性随着特征数量的增加呈指数级增长，限制了其实际应用。尽管已提出多种近似方法，但它们往往偏离原始SHAP公式，可能牺牲准确性和理论保真度。在本文中，我们引入CorrSHAP，一种新颖的方法，利用图像超像素相关性显著加速SHAP值估计，同时保持原始公式的严谨性。CorrSHAP高效量化图像内超像素间的相互依赖性，使SHAP计算仅考虑相互依赖的超像素组合。这种针对性方法显著降低了计算负担，同时不损害解释的保真度。评估结果表明，CorrSHAP在解释保真度方面优于可比的蒙特卡洛SHAP方法，在几分之一秒内实现了这一目标，速度提升了55倍。源代码可通过链接（https://github.com/vhasic/CorrSHAP）获取。
Keyword:
Explainable AI
Image classification
SHAP
Concept-based explanations
Pearson Correlation
期刊
E
IF:
0
论文数:
18
被引数:
0
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
分享收藏分享收藏Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based LocalizationGrad-cam: 通过基于梯度的定位从深度网络进行视觉解释
OAAI
OAAI分享收藏
查看更多内容