假定在图片分类任务中有一张图片，Local Explanation则要求机器说明为什么它认为这张图片是某个类别(比如“cat”)。
Explainable AI(Local Explanation)的目标是，知道每个component对于最终结果的重要性。我们可以通过remove或者modify其中一个component，看decision会有什么变化。
基于梯度判断Component重要性
假设输入是(x)，它有很多component ({x_1,x_2,dots,x_N})组成。如果输入是image，则component一般是pixel、segment或patch等；如果输入是text，则component一般是word。对于图片，我们可以在图片上“放置”一个灰块以覆盖图像的一小部分，观察其对结果的影响，见《Visualizing and Understanding Convolutional Networks》。注：component的选取、remove或者modify也是需要研究的。
还有另一种方法是，输入为({x_1,...,x_n})，对某个pixel (x_n)加上(Delta x)，用(frac{Delta y}{Delta x})来表示扰动(Delta x)对结果(y)的影响，即通过(frac{partial y_k}{partial x_n})的绝对值表示某个pixel对(y_k)的影响，见《Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps》。
还有很多其它基于梯度来判断Component重要性的方法：
-
Grad-CAM
-
SmoothGrad
-
Layer-wise Relevance Propagation(LRP)
Redistribute the output, Backward propagation until reaching input
-
Guided Backpropagation
梯度饱和
基于梯度来判断component重要性的方法也存在着局限性：梯度饱和(Gradient Saturation)和Noisy Gradient。
考虑(frac{partial大象}{partial鼻子长度})，可知在一定范围内，鼻子越长，则判定为大象的概率就越大，但随着鼻子长度增加到一定数值后，鼻子长度对于判定大象的影响几乎为0，这时就出现了梯度饱和，如下图所示。
那如何解决梯度饱和的问题呢？解决方法就是Global Explanation，可以参考Integrated gradient和DeepLIFT。
相对于梯度饱和，另外一个问题就是Noisy Gradient，即Gradient变化非常大，解决方法是SmoothGrad（在计算梯度时添加噪声以扰动生成多个样本，并计算平均梯度）
Attack Interpretation
向输入中加入一些细微的噪声，这样并不影响视觉效果和模型的输出，但这样可以攻击explanation，如下图所示，详见《Interpretation of Neural Networks is Fragile》。
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!