用于解釋神經(jīng)網(wǎng)絡(luò)的方法是如何發(fā)展的？

過去11年中用于解釋神經(jīng)網(wǎng)絡(luò)的最新方法是如何發(fā)展的呢？

本文在 Inception 網(wǎng)絡(luò)圖像分類器上嘗試使用引導(dǎo)反向傳播進行解釋演示。

為什么「解釋」很重要？

使用機器學(xué)習(xí)（ML）算法（尤其是現(xiàn)代深度學(xué)習(xí)）進行圖像識別的最大挑戰(zhàn)之一，是難以理解為什么一個特定的輸入圖像會產(chǎn)生它所預(yù)測的結(jié)果。

ML模型的用戶通常想了解圖像的哪些部分是預(yù)測中的重要因素。這些說明或“解釋”之所以有價值，有很多原因：

機器學(xué)習(xí)開發(fā)人員可以分析調(diào)試模型的解釋，識別偏差，并預(yù)測模型是否可能推廣到新的圖像

如果提供了為何做出特定預(yù)測的解釋，則機器學(xué)習(xí)模型的用戶可能會更信任模型

像 GDPR 這樣圍繞機器學(xué)習(xí)的規(guī)則要求一些算法決策能夠用人類的術(shù)語來解釋

因此，至少從2009年開始，研究人員就開發(fā)了許多不同的方法來打開深度學(xué)習(xí)的“黑匣子”，從而使基礎(chǔ)模型更容易解釋。

下面，我們?yōu)檫^去十年中最先進的圖像解釋技術(shù)整合了視覺界面，并對每種技術(shù)進行了簡要描述。

我們使用了許多很棒的庫，但是特別依賴 Gradio 來創(chuàng)建你在下面的 gif 文件和 PAIR-code 的 TensorFlow 實現(xiàn)中看到的接口。

用于所有接口的模型是Inception Net圖像分類器，可以在此jupyter筆記本和Colab上找到復(fù)制此博客文章的完整代碼。

在我們深入研究論文之前，讓我們先從一個非?；镜乃惴ㄩ_始。

七種不同的解釋方法

Leave-one-out (LOO)

Leave-one-out (LOO)是最容易理解的方法之一。如果你想了解圖像的哪個部分負責(zé)預(yù)測，這可能會是你想到的第一個算法。

其思想是首先將輸入圖像分割成一組較小的區(qū)域，然后，運行多個預(yù)測，每次都屏蔽一個區(qū)域。根據(jù)每個區(qū)域的「被屏蔽」對輸出的影響程度，為每個區(qū)域分配一個重要性分?jǐn)?shù)。這些分?jǐn)?shù)是對哪個區(qū)域最負責(zé)預(yù)測的量化。

這種方法很慢，因為它依賴于運行模型的許多迭代，但是它可以生成非常準(zhǔn)確和有用的結(jié)果。上面是杜賓狗的圖片示例。

LOO是Gradio庫中的默認(rèn)解釋技術(shù)，完全不需要訪問模型的內(nèi)部——這是一個很大的優(yōu)點。

Vanilla Gradient Ascent [2009 and 2013]

Paper: Visualizing Higher-Layer Features of a Deep Network [2009]

Paper: Visualizing Image Classification Models and Saliency Maps [2013]

這兩篇論文的相似之處在于，它們都通過使用梯度上升來探索神經(jīng)網(wǎng)絡(luò)的內(nèi)部。換句話說，它們認(rèn)為對輸入或激活的微小更改將增加預(yù)測類別的可能性。

第一篇論文將其應(yīng)用于激活，作者報告說，「有可能找到對高級特征的良好定性解釋， 我們證明，也許是違反直覺的，但這種解釋在單位水平上是可能的，它很容易實現(xiàn)，并且各種技術(shù)的結(jié)果是一致的?！?/p>

第二種方法也采用梯度上升，但是直接對輸入圖像的像素點進行探測，而不是激活。

作者的方法「計算特定于給定圖像和類的類顯著性圖，這樣的地圖可以使用分類ConvNets用于弱監(jiān)督的對象分割?！?/p>

Guided Back-Propogation [2014]

Paper: Striving for Simplicity: The All Convolutional Net [2014]

本文提出了一種新的完全由卷積層構(gòu)成的神經(jīng)網(wǎng)絡(luò)。由于以前的解釋方法不適用于他們的網(wǎng)絡(luò)，因此他們引入了引導(dǎo)式反向傳播。

該反向傳播可在進行標(biāo)準(zhǔn)梯度上升時過濾掉傳播時產(chǎn)生的負激活。作者稱，他們的方法「可以應(yīng)用于更廣泛的網(wǎng)絡(luò)結(jié)構(gòu)。」

接下來是梯度加權(quán)類激活映射(gradient-weighted class activation mapping，Grad-CAM) 。它利用「任何目標(biāo)概念的梯度，流入最后的卷積層，生成一個粗糙的定位映射，突出圖像中的重要區(qū)域，以預(yù)測概念?！?/p>

該方法的主要優(yōu)點是進一步推廣了可以解釋的神經(jīng)網(wǎng)絡(luò)類(如分類網(wǎng)絡(luò)、字幕和可視化問答(VQA)模型) ，以及一個很好的后處理步驟，圍繞圖像中的關(guān)鍵對象對解釋進行集中和定位。

像前面的論文一樣，此方法從計算類評分函數(shù)相對于輸入圖像的梯度開始。

但是，SmoothGrad通過在輸入圖像中添加噪聲，然后針對圖像的這些擾動版本中的每一個來計算梯度，從而在視覺上銳化這些基于梯度的靈敏度圖。將靈敏度圖平均在一起可以得到更清晰的結(jié)果。

Integrated Gradients [2017]

Paper: Axiomatic Attribution for Deep Networks [2017]

不同于以往的論文，本文的作者從解釋的理論基礎(chǔ)入手。它們「確定了歸因方法應(yīng)該滿足的兩個基本公理——敏感性和實現(xiàn)不變性」。

他們用這些原理來指導(dǎo)設(shè)計一種新的歸屬方法（稱為綜合梯度），該方法可以產(chǎn)生高質(zhì)量的解釋，同時仍然只需要訪問模型的梯度; 但是它添加了一個「基線」超參數(shù)，這可能影響結(jié)果的質(zhì)量。

Blur Integrated Gradients [2020]

Paper: Attribution in Scale and Space [2020]

論文研究了一個最新技術(shù)---- 這種方法被提出來用于解決具體的問題，包括消除「基線」參數(shù)，移除某些在解釋中傾向于出現(xiàn)的視覺偽影。

此外，它還「在尺度/頻率維度上產(chǎn)生分?jǐn)?shù)」，本質(zhì)上提供了圖像中重要物體的尺度感。

下面這張圖比較了所有這些方法:

原文標(biāo)題：圖像識別的可視化解釋史

文章出處：【微信公眾號：中科院長春光機所】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq