基于图学习的卷积神经网络可解释性方法研究.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1神经网络可解释性研究现状2

1.2.2图学习研究现状4

1.3主要研究内容和创新点6

1.4论文组织结构8

第二章基于参数演化的卷积神经网络可解释性方法9

2.1引言9

2.2方法9

2.2.1方法概述9

2.2.2数据处理与存储10

2.2.3基于高斯核的图构建方法11

2.2.4图学习方法13

2.2.5算法描述15

2.3实验与分析16

2.3.1卷积层实验17

2.3.2全连接层实验19

2.4本章小结23

第三章基于图结构学习的卷积神经网络压缩方法24

3.1引言24

3.2方法24

3.2.1方法概述25

3.2.2图构建25

3.2.3图结构学习模块27

3.2.4剪裁滤波器29

3.2.5算法描述30

3.3实验与分析30

3.3.1VGG-16剪裁结果31

3.3.2ResNet-101剪裁结果32

3.4本章小结33

第四章基于特定语义表达的可解释卷积神经网络34

4.1引言34

4.2方法34

4.2.1方法概述34

4.2.2基于图结构学习的遮罩生成36

4.2.3构建特定语义表达区域38

4.2.4损失计算39

4.2.5算法描述40

4.3实验与分析41

4.4本章小结43

第五章总结与展望44

5.1全文总结44

5.2未来工作展望44

参考文献46

山东师范大学硕士学位论文

摘要

随着人工智能技术的发展，最具代表性的深度学习技术已经应用于各个领域，对人类

CNN

社会产生了巨大的影响。卷积神经网络（）作为深度学习中的重要研究内容，在各种

应用中都展现出了优秀的性能。但是CNN仍然是一个黑箱模型，内部如何做出决策难以

被人们理解和控制，提高CNN的可解释性具有重要意义。CNN中的参数之间存在固有的

相关性或依赖性，这种关系会影响模型的性能，因此，论文的研究重点是分析和利用CNN

中参数之间的关系。

在表示对象和捕捉它们复杂的交互方面，图比其他数据结构具有明显的优势，而神经

GNN

网络中神经元之间的互连可以看作是一种图结构。图神经网络（）是结构化数据学习

的有力工具，在各个领域的分析任务中得到广泛应用。GNN的优势在于其从嵌入图结构的

属性中提取丰富的固有信息的能力。因此，在论文中引入图与GNN的相关方法来描述CNN

中的参数关系，并从图结构的角度分析这些参数在网络结构中的相对重要性。为此，论文

围绕CNN的可解释性方法及相关应用，并对所提出的方法进行了评估，主要研究内容如

下：

1CNN

（）针对如何理解与分析中参数间的复杂关系，提出了一种基于参数演化的卷

积神经网络可解释性方法。首先设计了CNN参数的图建模方案，在获取到CNN的参数