English(EN) Adjoint Inversion Reveals Holographic Superposition and Destructive Interference in CNN Classifiers

新的逆演算法揭示CNN分类器使用相消干涉

作者 PulseAugur 编辑部 · [2 个来源] · 2026-04-30 07:32

研究人员开发了一种新的卷积神经网络（CNN）可解释性逆演算法框架，该框架在数学上保证重建源自真正活跃的通道。该框架提供了视觉编码器中强叠加的首个像素级证据，证明分类是通过相消干涉运作的。该研究还引入了一种通道选择算法，将分布外失败识别为必要协方差体积的崩溃。 AI

影响引入了一种理解CNN决策制定的新颖方法，可能提高模型的鲁棒性和可解释性。

排序理由详细介绍CNN新可解释性框架的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.CV TIER_1 English(EN) · Kaixiang Shu · 2026-05-01 04:00

伴随反演揭示CNN分类器中的全息叠加和相消干涉

arXiv:2604.27529v1 Announce Type: new Abstract: A foundational assumption in CNN interpretability -- that deep encoders suppress background pixels while classifiers merely select from a cleaned feature pool (the Spatial Funnel Hypothesis) -- remains untested due to spatial halluc…
arXiv cs.CV TIER_1 English(EN) · Kaixiang Shu · 2026-04-30 07:32

伴随逆演算法揭示CNN分类器中的全息叠加与相消干涉

A foundational assumption in CNN interpretability -- that deep encoders suppress background pixels while classifiers merely select from a cleaned feature pool (the Spatial Funnel Hypothesis) -- remains untested due to spatial hallucinations in existing visualization tools. We add…