研究人员发现,用于审计AI模型决策的后验显著性图(如Grad-CAM)存在一个显著问题:当输入图像旋转时,即使模型预测保持不变,这些图也会出现“漂移”。这种不稳定性在缺乏规范方向的医学和航空影像领域尤其成问题。研究发现,通道权重出奇地稳定,而空间激活张量是漂移的根源,这种移动会被分类器的池化机制丢弃。一种新方法EquiGrad-CAM已被开发出来,它是一种无需训练的包装器,通过重新定向旋转视图的显著性图后对其进行平均,从而显著提高了旋转一致性,并优于旋转增强训练。 AI
影响 这项研究可能带来更可靠的AI模型审计,尤其是在图像方向可变的领域,从而增强对AI决策的信任。
排序理由 该集群是关于一篇详细介绍改进AI模型可解释性新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →