AI 科技评论按:这里是,雷锋字幕组编译的 Two minutes paper 专栏,每周带大家用碎片时间阅览前沿技术,了解AI领域的最新研究成果。
原标题:Building Blocks of AI Interpretability - Two Minute Papers #234
翻译 | 陈晓璇 字幕 | 凡江 整理 | 吴璇 逯玉婧
谁再说神经网络是黑盒,甩出这篇文章,给 TA 翻个白眼。
上周,谷歌 Jeff Dean 在推特上转发了一句话「还认为神经网络是黑盒吗?要不再想想 :) 」。
还配上了《纽约时报》一篇名为《谷歌研究人正在搞懂机器学习》的文章。
点进这篇文章发现,Jeff Dean 意指论文《The Building Blocks of Interpretability》(译名:可解释性的基石)在神经网络可视化方面的新进展。
研究由谷歌大脑研究员 Chris Olah 带队完成,创建了一套神经网络可视化方法。
左图:可以被神经网络识别,比如说,告诉我们图片里有没有花瓶或柠檬。右图:神经网络中间层的可视化呈现,能够检测到图片中的每个点。看起来,神经网络正在检测,像花瓶的模型以及像柠檬的物体。
论文将独立的神经元、分类归属与可视化结合,从而提供一种理解神经元的方法。
我们通过观察「神经元可以被哪些图像激活」,「神经元在找哪些图像」、「神经元判定这个图像属于哪一类」,可以判断出「神经元的最终决策及贡献值」。
这个过程减少了神经元的总数,并且将神经元分解成一些小的语义组,得出有意义的解释方法。在论文中被称作「因式分解」或者「神经元分组」。通过做这项工作,我们可以得到高度描述性的标签,赋予它们直观的含义。
现在我们把一张图片放到拉布拉多组,神经网络开始观察拉布拉多的耳朵、额头、嘴巴还有毛发的组合。过程可以由一个活动地图来展示,通过观察,我们可以轻松看到神经元群组兴奋点。
我们这里仅仅概括了论文的表面含义,论文中还有许多其他的成果和互动的案例供大家赏析。
论文原址:
https://distill.pub/2018/building-blocks/
更多文章,关注 AI 科技评论。添加雷锋字幕组微信号(leiphonefansub)为好友,备注「我要加入」,To be an AI Volunteer !
对了,我们招人了,了解一下?
这里有个限时拼团---机器学习之数学基础课程
3 大模块,30 个课时,高校数学系教授带班,100%学员好评。
与 100+同学一起夯实数学基础,走稳机器学习入门第一步!
限时拼团中,点击阅读原文或扫码了解详情~
┏(^0^)┛欢迎分享,明天见!