【论文推荐】可解释神经网络，Towards Explainable Deep Neural Networks (xDNN)

题目： Towards Explainable Deep Neural Networks (xDNN)

简介： 在本文中，我们提出了一种解决方案，该解决方案直接解决了传统深度学习方法的瓶颈，并提供了一种清晰可解释的内部架构，该架构可以胜过现有方法，只需要很少的计算资源（不需要GPU）并且训练时间短（以秒为单位）。提出的方法xDNN原型，原型是实际的训练数据样本（图像），是经验数据分布的局部峰值（称为典型性）以及数据密度。这种生成模型以封闭形式识别，但可以自动且完全从训练数据中得出，而无需用户或问题特定的阈值，参数或干预。xDNN提供了一种新的深度学习架构，该架构将推理和学习结合在一起。它是非迭代且非参数的，这从时间和计算资源上解释了其效率。从用户的角度来看，用户显然可以理解所提出的方法。我们在一些著名的基准数据集（例如iRoads和Caltech-256）上对其进行了测试。 xDNN在准确性，训练时间方面优于其他方法，包括深度学习，并提供了一个清晰可解释的分类器。