研究人员已证明，通过标准的随机梯度下降，可以隐式地实现深度学习归因中的对抗鲁棒性，从而无需进行计算密集型的显式正则化。这种隐式鲁棒性在理论上得到了参数空间和输入空间曲率之间联系的启发，并在各种架构和数据集上得到了验证。该研究还指出了基于注意力的归因在softmax归一化下的局限性，并提出将基于核的注意力作为Transformer模型的解决方案，以恢复这些鲁棒性增益。 AI
影响 强调了一种更有效的方法来实现AI模型中鲁棒的可解释性。
排序理由 该集群包含一篇详细介绍机器学习新研究成果的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.29983v1 Announce Type: new Abstract: The adversarial robustness of attributions is a fundamental requirement for reliable explainability in deep learning, yet existing approaches typically rely on computationally expensive explicit regularization. In this work, we show…
The adversarial robustness of attributions is a fundamental requirement for reliable explainability in deep learning, yet existing approaches typically rely on computationally expensive explicit regularization. In this work, we show that attribution robustness can arise implicitl…