中国videosex高潮hd,中文字幕久久久久,国产精品午夜在线观看,成人做爰久久,无码大黑鸡巴,午夜少妇696969区,亚洲性爱视频,久久久久无码人妻一区二区三区

來源：機器學習算法那些事、圖靈人工智能

本文約2400字，建議閱讀5分鐘 
本文淺談神經(jīng)網(wǎng)絡的可解釋性。

本文以 A Survey on Neural Network Interpretability 讀后感為主，加上自身的補充，淺談神經(jīng)網(wǎng)絡的可解釋性。

本文按照以下的章節(jié)進行組織：

人工智能可解釋性的背景意義
神經(jīng)網(wǎng)絡可解釋性的分類
總結

1、人工智能可解釋性的背景意義

1.1 什么是可解釋性

Interpretability (of a DNN) is the ability to provide explanations in understandable terms to a human. F Doshi-Velez & B Kim, 2017。

解釋（Explanations），是指需要用某種語言來描述和注解

理想情況下，嚴謹?shù)臄?shù)學符號-邏輯規(guī)則是最好的解釋（D Pedreschi et al., 2019）。實際上人們往往不強求“完整的解釋”，只需要關鍵信息和一些先驗知識。

可解釋的邊界（Explainable Boundary），是指可解釋性能夠提供解釋的程度

來自XAI的：對于不同的聽眾，解釋的深度也有所不同，應該是需求而定。例如：為什么你這么聰明？因為我喜歡吃魚。為什么吃魚會聰明？因為魚類富含DHA。為什么DHA聰明？...... 因為根據(jù)不同的人群，我們的可解釋的工作也不一樣。例如給大眾解釋吃魚能夠聰明就行了，因為吃魚能夠聰明我們很多人已經(jīng)從小到大耳熟能詳了。如果我們給專業(yè)人士解釋DHA為什么會是大腦聰明，我們身邊很多人也答不出來，這已經(jīng)遠超出我們計算機這個領域了。當然，可解釋的這種邊界越深，這個模型的能力也越強。

可理解的術語（Understandable Terms），是指構成解釋的基本單元

不同領域的模型解釋需要建立在不同的領域術語之上，不可能或者目前難以用數(shù)學邏輯符號來解釋。例如計算機視覺中的image patches，NLP中的單詞等。而可理解的術語可以理解為計算機跟我們?nèi)祟惸軌驕贤ǖ恼Z言。以前我們很多研究關于人類跟計算機表達的語言例如計算機指令，現(xiàn)在是反過來計算機根據(jù)現(xiàn)有的模型給我們解釋。

1.2 為什么需要可解釋性

高可靠性的要求

a）神經(jīng)網(wǎng)絡在實踐中經(jīng)常有難以預測的錯誤（進一步的研究是對抗樣本攻擊與防御），這對于要求可靠性較高的系統(tǒng)很危險。

b）可解釋性有助于發(fā)現(xiàn)潛在的錯誤；也可以通過debug而改進模型。

倫理/法規(guī)的要求

AI醫(yī)療：目前一般只作為輔助性的工具，是因為一個合格的醫(yī)療系統(tǒng)必須是透明的、可理解的、可解釋的，可以獲得醫(yī)生和病人的信任。

司法決策：面對紛繁復雜的事實類型，除了法律條文，還需要融入社會常識、人文因素等。因此，AI在司法決策的事后，必須要給出法律依據(jù)和推理過程。

作為其他科學研究的工具

科學研究可以發(fā)現(xiàn)新知識，可解釋性正是用以揭示背后原理。

2、神經(jīng)網(wǎng)絡可解釋性的分類

2.1 按照邏輯規(guī)則解釋（Rule as Explanation）

圖左是一顆關于判斷西瓜好壞的決策樹，經(jīng)過DFS后，我們可以抽取出右圖的規(guī)則。而對于神經(jīng)網(wǎng)絡，我們是否也可以類似決策樹這樣做呢？

答案是肯定的。

第一種方法是分解法，遍歷所有特征的排列組合。

分解法最簡單，但是缺點也是顯而易見的，就是時間復雜度太高，雖然KT算法有所優(yōu)化，但是指數(shù)形式的復雜度還是難以投入實際使用。于是我們引入第二種方法：教育法[1]。

DecText-決策樹抽取器，主要采用經(jīng)過黑箱子的數(shù)據(jù)來抽取黑箱子的規(guī)則，并且與其他決策樹不同的是，該方法除了使用標記數(shù)據(jù)還可以使用未標記數(shù)據(jù)以及隨機數(shù)據(jù)，只要經(jīng)過神經(jīng)網(wǎng)絡黑箱子都可以獲得標簽。對比僅用訓練集，由于傳統(tǒng)決策樹進行生成葉子比生成其根的可信度還要低（因為能用于劃分界限的數(shù)據(jù)越來越少）。所以DecText有一個優(yōu)勢就是可以利用更多的無標記數(shù)據(jù)甚至隨機數(shù)據(jù)進行補充。但是一般論文也不會提及到自身設計的大多數(shù)缺點。例如，這里我認為有兩大缺點。一、無標記數(shù)據(jù)或者隨機數(shù)據(jù)其實有很多是超過解釋的意義，例如人臉識別，如果我們倒入一些不及格的人臉甚至隨機的圖像，決策樹也會對這些圖像進行開枝散葉，降低了真正解釋人臉的枝葉的占比。二、決策樹不能表達太深的網(wǎng)絡，決策樹越深，性能會急劇下降，可解釋性也越差。

Tree Regulartion[2]提出了樹正則的方法，來抑制了樹的深度。

樹正則通過引入深度損失正則項，在優(yōu)化時候會抑制樹的深度。而樹的深度則是通過一個簡單的預估網(wǎng)絡進行預估，需要的參數(shù)就是主網(wǎng)絡的參數(shù)。

2.2 按照語義進行解釋

類比人類開始對細胞解釋的時候，無法一下子直接從細胞本身理解這個細胞的類別或者功能，但是可以從細胞群或者組織（例如表皮細胞組織）來從宏觀角度了解細胞的作用。神經(jīng)網(wǎng)絡亦是如此。例如卷積神經(jīng)網(wǎng)絡，淺層的卷積網(wǎng)絡往往關注更基礎的圖像信息例如紋理、顏色等，而越往上層則越能抽象出更豐富的語義，例如人臉識別的眼睛、鼻子等。其中經(jīng)典代表就是計算機視覺中的經(jīng)典方法-可視化[3]。

可視化的方法非常多，比如說有一個華人的博士就可視化了CNN，把每一層都展示得非常清楚，只需要在網(wǎng)頁上點擊對于的神經(jīng)元，就可以看到工作流程。右邊是一位維也納的小哥，本來搞unity3D特效開發(fā)的，他把整個CNN網(wǎng)絡用3d的形式可視化了出來。

cnn_visual

featuremap_layout

另外一種主動的按照語義進行解釋的代表作：可解釋卷積神經(jīng)網(wǎng)絡[4]（Interpretable convolutional neural networks.）與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡不同的是，ICNN的每一個卷積核盡量只代表一種概念，例如，傳統(tǒng)的卷積核對貓的頭或者腳都有較大的激活值，而ICNN只能選擇最大的一種。

2.3 通過示例解釋

這種方法容易理解，是一種直觀方法：尋找和待解釋的樣本最“相似”的一個訓練樣本，典型的代表作 Understanding black-box predictions via inflfluence functions,[5]。

2.4 按照屬性解釋

按照屬性解釋目前內(nèi)容上最有深度的。如前面提及到，決策樹等透明模型難以模仿復雜的神經(jīng)網(wǎng)絡，那怎么解決呢？針對此問題研究的代表作有：Why should i trust you?: Explaining the predictions of any classififier[6]。

由于LIME不介入模型的內(nèi)部，需要不斷的擾動樣本特征，這里所謂的樣本特征就是指圖片中一個一個的像素了。但如果LIME采樣的特征空間太大的話，效率會非常低，而一張普通圖片的像素少說也有上萬個。若直接把每個像素視為一個特征，采樣的空間過于龐大，嚴重影響效率；如果少采樣一些，最終效果又會比較差。所以針對圖像任務使用LIME時還需要一些特別的技巧，也就是考慮圖像的空間相關和連續(xù)的特性。不考慮一些極小特例的情況下，圖片中的物體一般都是由一個或幾個連續(xù)的像素塊構成，所謂像素塊是指具有相似紋理、顏色、亮度等特征的相鄰像素構成的有一定視覺意義的不規(guī)則像素塊，我們稱之為超像素。