【博士论文】通过利用内在方法解释深度神经网络

文章预览

深度神经网络在过去十年里推动了人工智能的发展，彻底改变了游戏、生物学、自动系统以及语音和文本助手等领域。尽管其影响深远，但由于其复杂的结构和缺乏对决策过程的解释，这些网络往往被视为黑箱模型。这种不透明性对人工智能系统的广泛应用和可信度构成了重大挑战。本论文通过贡献于可解释人工智能（eXplainable AI）领域，致力于提高深度神经网络的可解释性，从而解决这一问题。 论文的核心贡献在于引入新的技术，通过分析深度神经网络的内部工作原理，使其更加可解释。具体而言，贡献有三方面。首先，论文介绍了自解释深度神经网络的设计，例如集成外部存储器以实现可解释性，以及在多个领域中使用基于原型和约束的层。这些提出的架构旨在保留大部分黑箱网络，从而保持或提高其性能。其次，研究深入探讨了训练好的深 ………………………………