深度學習的可解釋性—知識彙總

一、網絡可解釋性相關論文彙總

對於模型的可解釋性而言，很難做到像解數學題一樣，每一步都能給出有效的解釋。

篩選出了161篇相關的論文，按照時間順序和不同的出版物進行排序，結果進行了整理。

參考網址：

1.https://github.com/oneTaken/awesome_deep_learning_interpretability

2.https://github.com/handong1587/handong1587.github.io/blob/master/_posts/deep_learning/2015-10-09-visulizing-interpreting-cnn.md

 

備註：論文查找methodology

整個的相關論文查閱步驟大致爲：

1. 先從周博磊和張拳石兩個大佬的主頁去找相關的文獻作爲初始種子隊列；
2. 從初始種子隊列裏面去尋找參考文獻，然後添加到種子隊列中；
3. 從github 資源awesome系列和pytorch模型解釋性包captum中去尋找相關的論文添加到種子隊列中；
4. 按照時間從久遠到最近，將種子隊列中的論文在谷歌學術中進行搜索，然後從其引用中去繼續尋找相關的論文，添加到種子隊列中；
5. 重複4，直至種子隊列爲空；

主要以高引用/頂會作爲主要考慮因素，對ICCV和CVPR歷年來的引用數統計來看，破100引用數的論文佔比已經很少了，所以作爲一個引用數的衡量標準。