English(EN) Does Explainability Transfer? A Controlled Benchmark of Attribution Methods on Vision Transformers and CNNs

可解释性方法在不同 AI 视觉模型上表现出架构依赖性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

一项发表在 arXiv 上的新基准研究调查了可解释人工智能 (XAI) 归因方法的有效性，特别是它们在卷积神经网络 (CNN) 和视觉 Transformer (ViT) 之间的可迁移性。研究表明，归因性能高度依赖于模型架构，从 CNN 得出的结论不能可靠地应用于基于 Transformer 的模型。该研究强调了进行面向架构的、多维评估的必要性，因为传统指标可能无法准确反映不同模型类型的定位或忠实度。 AI

影响研究结果挑战了关于 AI 模型可解释性的现有假设，表明需要进行特定于架构的评估方法。

排序理由学术论文，展示了关于 AI 模型可解释性的可控基准测试和新发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，展示了关于 AI 模型可解释性的可控基准测试和新发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 75 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Sathiyamohan Nishankar, Nethmi Pathirana, Pubudu Sanjeewani, Asanka Perera, Selvarajah Thuseethan · 2026-08-04 04:00

可解释性是否可以迁移？视觉 Transformer 和 CNN 上归因方法的可控基准测试

arXiv:2608.02396v1 Announce Type: new Abstract: Most evidence on the effectiveness of explainable artificial intelligence (XAI) attribution methods has been established on convolutional neural networks (CNNs), with limited investigation into whether these conclusions generalize t…

本文如何被排名

报道来源 [1]

可解释性是否可以迁移？视觉 Transformer 和 CNN 上归因方法的可控基准测试

相关实体

相关话题