TPAMI 2024 | 解码深度神经网络特征表示以实现高性能人工智能

Deciphering the Feature Representation of Deep Neural Networks for High-Performance AI

题目：解码深度神经网络特征表示以实现高性能人工智能

作者：Md Tauhidul Islam; Lei Xing

---

摘要

人工智能（AI）由深度学习驱动，正在改变科学技术的许多方面。深度学习的巨大成功源于其独特的能力，即从大数据中提取决策所需的基本特征。然而，深度神经网络（DNNs）中的特征提取和隐藏表示仍然难以解释，主要是因为缺乏技术工具来理解和审问特征空间数据。这里的主要障碍是特征数据本质上往往是嘈杂的，结构复杂，规模和维度巨大，使得现有技术难以可靠地分析数据。在这项工作中，我们开发了一个名为对比特征分析（CFA）的计算框架，以促进探索DNN特征空间并提高AI的性能。通过利用特征之间的交互关系，并将一种新颖的数据驱动的核形成策略整合到特征分析流程中，CFA克服了传统方法的局限性，并为分析特征空间数据提供了迫切需要的解决方案。该技术允许以无监督