Core Concepts
점구름 모델의 중간층 활성화 흐름을 활용하여 일반화된 전역 설명을 생성할 수 있다.
Abstract
이 연구는 점구름 모델의 전역 설명 생성을 위한 새로운 방법인 Flow AM을 제안한다. 기존의 점구름 AM 방법들은 개별 신경망 활성화를 최대화하는 데 초점을 맞추었지만, 이는 실제 객체의 전체적인 윤곽을 반영하지 못한다는 한계가 있었다.
Flow AM은 점구름 모델의 중간층 활성화 흐름을 분석하여, 실제 객체와 유사한 활성화 패턴을 갖도록 설명을 생성한다. 이를 통해 생성된 설명은 기존 방법에 비해 사람이 인지할 수 있는 수준의 객체 윤곽을 보여준다.
또한 Flow AM은 생성 모델을 사용하지 않기 때문에 설명의 신뢰성과 충실도가 높다는 장점이 있다. 실험 결과, Flow AM은 기존 비생성 모델 기반 AM 방법에 비해 대폭 향상된 설명 가시성을 보여주었다.
Stats
점구름 모델이 동일 클래스의 입력을 예측할 때 중간층 활성화의 유사도가 높다.
점구름 모델이 서로 다른 클래스의 입력을 예측할 때 중간층 활성화의 유사도가 낮다.
비생성 모델 기반 AM 방법으로 생성된 설명의 중간층 활성화는 실제 객체와 유사하다.
Quotes
"점구름 모델의 중간층 활성화 흐름을 분석하여 실제 객체와 유사한 활성화 패턴을 갖도록 설명을 생성할 수 있다."
"Flow AM은 생성 모델을 사용하지 않기 때문에 설명의 신뢰성과 충실도가 높다."