研究人员开发了一种名为残差感知层级相关性传播 (ResLRP) 的新方法，以提高视觉 Transformer (ViTs) 中归因解释的稳定性和忠实度。现有方法由于残差路径中的抵消效应而难以获得清晰的解释，这种效应在 ViTs 中比在语言 Transformer 中更明显。ResLRP 明确考虑了这些抵消效应，从而在包括视觉-语言模型在内的各种 ViT 架构中实现了更准确和局部化的归因，并且还有助于在稀疏自编码器中进行特征定位。 AI
影响 这项研究为视觉 Transformer 提供了更强的可解释性，有望在计算机视觉和多模态应用中实现更可靠的 AI 系统。
排序理由 该集群包含一篇研究论文，详细介绍了一种用于提高视觉 Transformer 中归因稳定性 的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- FunnyBirds
- Layer-Wise Relevance Propagation
- Residual-aware Layer-wise Relevance Propagation
- ResLRP
- Sparse Autoencoder
- transformers
- vision-language model
- Vision Transformers
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
