李宏毅机器学习课程笔记-11.3Explainable AI(Global Explanation)
假定在图片分类任务中，Global Explanation要求机器说明它认为一个类别(比如“cat”)是什么样子，而非针对一张图片进行解释。
Activation maximization
在李宏毅机器学习课程笔记-7.2CNN学到了什么一文中，我们已讲过Activation maximization，不再复述，这里讲一些相关的新知识。
- 在Activation maximization的MNIST手写数字识别案例中，我们观察到机器学习到的数字在人类看来完全就是噪音，由此可以想到：将机器认为是数字(或其它事物)的内容作为噪声添加到其它数据中，也许这样就可以实现Attack。
- 在使用Activation maximization观察模型学习到的内容时，我们可能需要使用大量Regularization(保证“可解释性”)以及暴调超参数，详见《Understanding Neural Networks Through Deep Visualization》。
"Regularization" From Generator
除了使用人工设置的Regularization来告诉机器什么是一张正常的输出(比如image)，还可以使用Generator进行Regularization。
Image Generator的输入是一个低维向量\(z\)，其输出为一张图片\(x\)，即\(x=G(z)\)。通常这个低维向量\(z\)是从某个已知的distribution(比如高斯分布、正态分布)中sample出来的，我们可以收集很多图片并使用GAN或者VAE训练这个Generator。
那如何使用Image Generator生成对图片的限制呢？以图片分类为例，将Generator输出的图片\(x\)输入到Image Classifier中得到输出分类结果\(y_i\)，目标是找到一个\(z^*\)使得图片\(x\)属于对应类别\(i\)的可能性\(y_i\)最大，即\(z^*=arg \ max y_i\)。得到\(z^*\)之后将其输入至Image Generator就可以得到一个图片\(x\)。如果通过\(x^*=arg \ max y_i\)直接得到图片呢，则不能保证结果的“可解释性”，因而需要对结果进行“可解释性”的约束，上述过程中Generator的作用就是对图片进行约束以确保生成的图片\(x\)是“可解释”的。
注：在进行\(z^*=arg \ max y_i\)时，Image Generator和Classifier的参数是不参与本次训练的。
那使用Generator能得到什么样的结果呢？结果挺好的，详见《Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space》。
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼
转载请注明出处，欢迎讨论和交流!
