Interpreting CNN Predictions using Conditional Generative Adversarial Networks

要約

条件付き敵対的生成ネットワーク (GAN) をトレーニングして、畳み込みニューラル ネットワーク (CNN) の視覚的解釈を生成する新しい方法を提案します。
CNN を理解するために、GAN は、予測を行うときに CNN が画像を処理する方法に関する情報を使用してトレーニングされます。
その情報を提供するには、2 つの主な課題があります。GAN に供給可能な形式でこの情報を表現する方法と、その表現を GAN に効果的に供給する方法です。
これらの問題に対処するために、中間解釈マップを累積的に平均化することにより、CNN アーキテクチャの適切な表現を開発しました。
また、表現をGANにフィードし、効果的なトレーニング戦略を選択するための2つの代替アプローチも提案します。
私たちのアプローチは、CNN の一般的な側面を学習し、データセットや CNN アーキテクチャにとらわれませんでした。
この研究には、定性的評価と定量的評価の両方が含まれ、提案された GAN を最先端のアプローチと比較します。
CNN の初期層と最終層は、提案された GAN を解釈する際に CNN を解釈するために等しく重要であることがわかりました。
CNN を解釈するように GAN をトレーニングすることで、ペースの速いディープ ラーニングの進歩を活用することで、解釈を改善するための扉が開かれると考えています。
実験に使用されたコードは、https://github.com/Akash-guna/Explain-CNN-With-GANS で公開されています。

要約(オリジナル)

We propose a novel method that trains a conditional Generative Adversarial Network (GAN) to generate visual interpretations of a Convolutional Neural Network (CNN). To comprehend a CNN, the GAN is trained with information on how the CNN processes an image when making predictions. Supplying that information has two main challenges: how to represent this information in a form that is feedable to the GANs and how to effectively feed the representation to the GAN. To address these issues, we developed a suitable representation of CNN architectures by cumulatively averaging intermediate interpretation maps. We also propose two alternative approaches to feed the representations to the GAN and to choose an effective training strategy. Our approach learned the general aspects of CNNs and was agnostic to datasets and CNN architectures. The study includes both qualitative and quantitative evaluations and compares the proposed GANs with state-of-the-art approaches. We found that the initial layers of CNNs and final layers are equally crucial for interpreting CNNs upon interpreting the proposed GAN. We believe training a GAN to interpret CNNs would open doors for improved interpretations by leveraging fast-paced deep learning advancements. The code used for experimentation is publicly available at https://github.com/Akash-guna/Explain-CNN-With-GANS

arxiv情報

提供元, 利用サービス

arxiv.jp, Google