PulseAugur
中
实时 04:05:59
English(EN) Same Predictions, Different Reasons: The Effect of Quantization on Model Explanations

研究发现：量化会影响深度学习模型解释

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的研究调查了训练后量化（PTQ）如何影响深度学习模型的可解释性。研究人员使用结合了Grad-CAM和LIME的双重框架，在INT8和INT4精度下评估了五种常见的CNN架构（VGG19、ResNet18、EfficientNet-B0、DenseNet161和MobileNetV2）。研究结果表明，量化会改变模型的内部推理，尽管DenseNet161的分类准确率与EfficientNet-B0相似，但其可解释性一致性表现更好。这凸显了在需要高可解释性的应用中，在量化策略的同时考虑架构选择对于可信赖部署的重要性。 AI

影响 量化策略可能会降低模型的可解释性，因此在可信赖的AI部署中需要仔细选择架构。

排序理由 研究论文，详细介绍了模型可解释性的实验结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究发现：量化会影响深度学习模型解释

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Kazi Kamruzzaman Rabbi, Md. Zami Al Zunaed Farabe, M. Sohel Rahman ·

    预测相同，原因各异：量化对模型解释的影响

    arXiv:2607.22872v1 Announce Type: new Abstract: Post-training quantization (PTQ) has become a practical solution for deploying deep learning models on resource-constrained edge devices by compressing high-precision floating-point weights into low-precision representations without…

相关实体

相关话题