典型文献
深度学习的可解释性研究综述
文献摘要：
近年来,深度学习在很多领域得到广泛应用;然而,由于深度神经网络模型的高度非线性操作,导致其可解释性较差,并常常被称为"黑箱"模型,无法应用于一些对性能要求较高的关键领域;因此,对深度学习的可解释性开展研究是很有必要的.首先,简单介绍了深度学习;然后,围绕深度学习的可解释性,从隐层可视化、类激活映射(CAM)、敏感性分析、频率原理、鲁棒性扰动测试、信息论、可解释模块和优化方法这8个方面对现有研究工作进行分析;同时,展示了深度学习在网络安全、推荐系统、医疗和社交网络领域的应用;最后,讨论了深度学习可解释性研究存在的问题及未来的发展方向.
文献关键词：
深度学习;可解释性;隐层可视化;类激活映射;频率原理;可解释模块;信息论
中图分类号：
作者姓名：
李凌敏;侯梦然;陈琨;刘军民
作者机构：
西安交通大学数学与统计学院,西安 710049
文献出处：
引用格式：
[1]李凌敏;侯梦然;陈琨;刘军民-.深度学习的可解释性研究综述)[J].计算机应用,2022(12):3639-3650
A类：
隐层可视化,频率原理,可解释模块
B类：
可解释性研究,深度神经网络模型,高度非线性,线性操作,黑箱,性能要求,关键领域,类激活映射,CAM,信息论,推荐系统,社交网络,网络领域
AB值：
0.200218
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
