10:18官方账号arXiv cs.LG@Jules Soria, Alban Grastien, Romain Xu-Darme, Julien Girard-Satabin, Zakaria Chihani, Daniela CancilaALE框架原先仅支持L2范数下的欧几里得潜在空间。本研究将ALE推广至球面度量、高斯密度和维度投影三类非欧几里得原型架构。作者针对三类变体推导了映射或新型界算法,并在图像分类器上计算子集最小形式解释。该统一框架在三种架构间首次实现严格的可解释性比较。论文ALEL2原型网络推荐理由:ALE以前只支持L2空间,这篇把它扩展到球面、高斯这些新结构,还在图像分类上实测了。原文稍后读已读值得跟进有用关注 ALE
11:09官方账号arXiv cs.LG@Antonio Peña Corredor, Julien Lesseur, Romain Nunez, Paul Rivalland, Thomas Philippe精选航空SiC/SiC复合材料的X射线CT无损检测依赖专家目视评估,缺乏可追溯性。研究团队提出p-ResNet-50,在卷积网络中引入原型层,将高检测精度与基于案例的解释结合。六个学习原型与专家定义的语义类别(健康基体、基体-空气界面、孔隙、线状缺陷、混合形态)对齐,每个分类都可追溯到物理有意义的参考。通过锚点和中心点正则化项防止原型坍缩,UMAP潜空间分析明确标出模型可靠与不可靠区域。在约12000个补丁的数据集上,p-ResNet-50达到与黑盒ResNet-50相当的精度(0.957 vs 0.959),同时提供可追溯决策和不确定性标记。论文可解释AI缺陷检测X射线CT推荐理由:做工业无损检测或AI可解释性研究的团队会感兴趣——p-ResNet-50在保持高精度的同时让黑盒模型变得可审计,航空质检场景可以直接参考其原型对齐方法。原文稍后读已读值得跟进有用关注 可解释AI