你是否好奇當一個黑盒深度神經(jīng)網(wǎng)絡(luò) (DNN) 預(yù)測下圖的時候，圖中哪個部分對于輸出預(yù)測為「擊球手」的幫助最大？

香港科技大學(xué)團隊最新的 NeurIPS2023 研究成果給出了他們的答案。

• 論文：https://arxiv.org/abs/2305.10289
• 項目代碼：https://github.com/Jerry00917/samshap

繼 Meta 的分割一切 (SAM) 后，港科大團隊首次借助 SAM 實現(xiàn)了人類可解讀的任意 DNN 模型圖像概念解釋器：Explain Any Concept (EAC)。

你往往會看到傳統(tǒng)的 DNN 圖像概念解釋器會給出這樣的解釋 (SuperPixel-Based)：

但這類輸出通常不能完整地將 DNN 對于輸入圖像里概念的理解表達給人類。

港科大團隊首次將具有強大的概念抓取力的 SAM 和博弈論中夏普利公理 (Shapley Value) 結(jié)合起來，構(gòu)建了端對端具有完整概念的模型解釋器，并呈現(xiàn)了非常令人驚嘆的結(jié)果！！ 

現(xiàn)在，用戶只需要將任意 DNN 接入該解釋器的 API，EAC 就可以精準地解釋出圖中哪些概念影響了模型最終的輸出。

算法原理

如下圖所示，解釋一切 EAC 的算法流程圖可大體分為三個階段：1）SAM 概念抓取，2）利用 Per-Input Equivalence (PIE) 模擬目標 DNN 模型，3）通過計算出 PIE 的夏普利公理值得出近似原目標 DNN 的最終概念解釋輸出。

夏普利值實現(xiàn)

在博弈論中，夏普利公理的地位舉足輕重。基于它，研究人員可以推算出圖片里每一個概念對目標模型輸出的貢獻值，從而得知哪些概念對于模型預(yù)測的幫助最大。不過計算夏普利值所需要的時間復(fù)雜度為 O (2^N)，這對于幾乎任何一個成熟的深度學(xué)習(xí)模型是災(zāi)難性的計算量。

本文為了解決這一問題提出了 Per-Input Equivalence （PIE）輕量型框架。PIE 希望通過一個 surrogate model f' 將原目標 DNN 模型 f 做局部擬合。

PIE 的完整表達式為。這里 f_fc 完全保留了原模型的全連接層，h 是一層線性權(quán)重用于模擬 f 的特征提取器，輸入 b 為一維 one-hot 對一張目標圖片里的概念集 C（由 SAM 生成）的編碼。算法通過對 PIE 進行蒙特卡洛估算，就可得出 f^' 對于 f 的近似夏普利值。

文章指出 PIE 的運算十分輕量。在 COCO 標準測試集上，將目標模型設(shè)為 ResNet50，平均解釋時間僅約為 8.1 秒 / 一張圖片。

實驗結(jié)果

通過給每張測試圖逐一添加（Insertion）/ 刪除（Deletion）最重要的概念 patch，這兩項實驗研究者可以直接評估任意解釋器在解釋目標 DNN 時的表現(xiàn)。

EAC 同時在「添加」和「刪除」兩項實驗中實現(xiàn)了比較優(yōu)秀的解釋效果。

以下是 EAC 效果展示和 baseline 對比：

在文章的最后，團隊表示有了 EAC 這項技術(shù)，醫(yī)療影像，智慧安防等重要的可信機器學(xué)習(xí)商用應(yīng)用場景會變的更準確，更可靠。