账号登录
目前深度视觉模型领域流行的模型注意力可视化、对抗样本生成、深度特征可视化等方法，往往专用于某一种模型解释类型，难以确保模型解释的一致性、不同类型的模型解释之间缺乏关联，无法用统一的框架进行验证。JGMM从概率模型出发，利用其在概率密度可计算性、模型复杂度可扩展性、采样高效性等方面的良好性质，提供了更丰富、更具有一致性的模型解释方法。并且，JGMM具有良好的可扩展性，基于改进的EM算法进行训练，可以面对深度模型高维度、大数据量的中间层特征。
图 3 MNIST数据集训练的VGG模型中间层表征的隐变量条件概率分布和可解释样本
微信公众号
