[1] Representer Point Selection for Explaining Deep Neural Networks
Chih-Kuan Yeh, Joon Sik Kim, Ian E.H. Yen, Pradeep Ravikumar
Carnegie Mellon University
https://papers.nips.cc/paper/8141-representer-point-selection-for-explaining-deep-neural-networks.pdf
这篇文章提出如何解释深度神经网络的预测, 即通过指向训练集中的一组称为代表样本, 用于对给定的测试样本给出预测。
具体而言, 可以将神经网络的激活前的预测分解为训练点激活状态的线性组合, 其权重与代表样本相对应, 从而可以体现出该样本点对网络参数的重要性。
这种做法能够促使对网络进行更深入的理解, 而不仅仅是训练样本的影响: 标签为正的代表样本对应兴奋的训练样本, 同时,标签为负的代表样本对应抑制的训练样本。
这种方法具有比较好的可扩展性, 能够突破影响函数的限制,该方法能够进行实时反馈。
真实的与预测的softmax输出之间的皮尔逊系数图示如下
几种方法的效果对比如下