【技术实现步骤摘要】
本申请属于深度学习，特别涉及一种可解释类深度模型策略逼近算法。
技术介绍
1、深度学习超强的性能终结了一批旧的算法，它大大降低了算法多样性，简化了算法设计的复杂度。在计算机视觉领域展现出了优越的性能，为ai带来巨大的改变。但是存在一种隐忧，随着网络结构和误差函数的设计越来越复杂，端对端的训练一个黑箱模型能否一直平稳的向下发展。
2、在端对端学习之外，还需要找到一套新的神经网络操作工具，即让神经网络具有清晰的符号化的内部知识表达，去匹配人类自身的知识框架，从而人们可以在语义层面对神经网络进行诊断和修改。从logic-based专家系统，到图模型，再到深度神经网络，模型的灵活度和性能逐渐提高。当网络训练可以深入到网络的内部语义，或许深度学习未来的发展会有更多的可能性。
3、深度学习模型无法解释的性质是广泛采用深度学习模型的一个重大障碍。例如，深度学习模型驱动的面部识别系统现在正在将人们与位置和活动联系起来，但是这种技术具有不透明性，为推广带来极大的难处。在未来深度学习技术将提出无数建议和决策，这些建议和决策将更直接、...
【技术保护点】
1.一种可解释类深度模型策略逼近算法，其特征在于，包括：
2.根据权利要求1所述的可解释类深度模型策略逼近算法，其特征在于，步骤一中，所述构建基于卷积神经网络的语义空间策略，包括：
3.根据权利要求2所述的可解释类深度模型策略逼近算法，其特征在于，S13中，所述提取卷积神经网络的中间层特征对预测的显式贡献预测分数，包括：
4.根据权利要求3所述的可解释类深度模型策略逼近算法，其特征在于，所述通过逐层相关性传播方法将卷积神经网络f的输出值f(x)进行分解的过程为：
5.根据权利要求4所述的可解释类深度模型策略逼近算法，其特...
【技术特征摘要】
1.一种可解释类深度模型策略逼近算法，其特征在于，包括：
2.根据权利要求1所述的可解释类深度模型策略逼近算法，其特征在于，步骤一中，所述构建基于卷积神经网络的语义空间策略，包括：
3.根据权利要求2所述的可解释类深度模型策略逼近算法，其特征在于，s13中，所述提取卷积神经网络的中间层特征对预测的显式贡献预测分数，包括：
4.根据权利要求3所述的可解释类深度模型策略逼近算法，其特征在于，所述通过逐层相关性传播方法将卷积神经网络f的输出值f(x)进行分解的过程为：
5.根据权利要求4...
【专利技术属性】
技术研发人员：徐芳芳，管聪，费思邈，罗庆，刘仲，朴海音，孙阳，闫传博，
申请(专利权)人：中国航空工业集团公司沈阳飞机设计研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。