Maedeh Zarvandi

新框架KREPES增强了自监督学习的可解释性

研究人员开发了KREPES，这是一个旨在提高自监督学习（SSL）模型可解释性的新框架。KREPES使用一种称为表示法地标的方法，该方法识别有影响力的训练样本来解释学习到的表示。该框架还可以量化这些表示的透明度，并揭示了数据集中存在的偏见，例如使用人口统计代理来预测Adult-1M数据集中的收入。为了处理ImageNet-1K等大型数据集，KREPES采用了Nyström近似以实现可扩展性。