优秀论文 | 可解释的深度网络抗噪音干扰性逐层评估方法

主要观点总结

本文关注深度神经网络在复杂应用场景中面临的噪音数据干扰问题，提出一种基于闵可夫斯基差线性可分性度量的深度神经网络逐层抗噪音干扰性评估方法。该方法可以实现神经网络抗噪音干扰性的可解释性评估，对网络隐层的数据映射行为进行定量解析，确定噪音对网络各隐层的影响机理。

关键观点总结

关键观点1: 研究背景

随着深度神经网络在图像分类、语义分割等领域的广泛应用，其在复杂应用场景中易受噪音数据干扰的问题日益突出，评估深度网络的抗噪音干扰性已成为智能化技术开发的关键问题之一。

关键观点2: 现有问题

现有的评估方法只能对网络抗噪音干扰性进行整体评估，不具备可解释的理论依据，无法分析噪音对网络输出的影响机理。

关键观点3: 解决方法

基于闵可夫斯基差线性可分性度量，提出了一种深度神经网络逐层抗噪音干扰性评估方法，实现了神经网络抗噪音干扰性的可解释性评估。通过对网络隐层的数据映射行为进行定量分析，解析噪音干扰对网络各隐层的影响机理，建立面向网络隐层的可解释抗噪音干扰性评估方法。

关键观点4: 文章贡献

本文引入MDLSM作为分类神经网络的隐层分析工具，借助该工具对网络隐层的数据映射行为进行分析，为深度神经网络的抗噪音干扰性评估提供了一种新的、可解释的方法。

关键观点5: 作者信息

本文的作者是周瑞丰、栾瑞鹏和张超，分别来自大连理工大学数学科学学院和91550部队。