的一部分神经信息处理系统进展31(NeurIPS 2018)
朱利叶斯·阿德巴约、贾斯汀·吉尔默、迈克尔·梅利、伊恩·古德费罗、莫里茨·哈德、比恩·金
显著性方法已经成为一种流行的工具,用于突出输入中的特征被认为与学习模型的预测相关。几种显著性方法通常以图像数据的视觉吸引力为指导。在这项工作中,我们提出一种可行的方法来评估给定的解释类型方法可以提供,也不能提供。我们发现,仅仅依靠视觉评估可能会产生误导。通过广泛的实验,我们表明显著性方法独立于模型和数据生成过程。因此,未通过拟议测试的方法不足以对数据或模型敏感的任务,例如查找数据中的异常值,解释模型学习的输入和输出之间的关系,并调试模型。我们通过以下类比来解释我们的发现图像中的边缘检测,这是一种既不需要训练数据也不需要模型的技术。线性模型和单层卷积神经网络的理论支持我们的实验结果。
在电子程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。