Asanka G. Perera

可解释性方法在不同 AI 视觉模型上表现出架构依赖性

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。