神经网络?决策树?都做不到!谁能解决可解释性AI?

作者: 读芯术 2020-05-14 08:40:57

本文转载自公众号“读芯术”(ID:AI_Discovery)

准确性与可解释性是不能同时达到的吗?来自IEEE研究员Cuntai Guan这样认为:“许多机器决策仍然没有得到很好的理解”。大多数论文甚至提出在准确性和可解释性之间进行严格区分。

神经网络是准确的,但无法解释;在计算机视觉中,决策树是可解释的,但不准确。可解释性AI(XAI)试图弥合这一分歧,但正如下面所解释的那样,“XAI在不直接解释模型的情况下证明了决策的合理性”。

这意味着金融和医学等应用领域的从业者被迫陷入两难境地:选择一个无法解释的、准确的模型,还是一个不准确的、可解释的模型。

什么是“可解释的”?

定义计算机视觉的可解释性是一项挑战:解释像图像这样的高维输入的分类意味着什么?正如下面讨论的,两种流行的定义都涉及到显著图和决策树,但是这两种定义都有缺点。

可解释性AI不能解释什么

显著图:

许多XAI方法产生的热图被称为显著图,突出显示影响预测的重要输入像素。然而,显著图映射只关注输入,而忽略了解释模型如何决策。

神经网络?决策树?都做不到!谁能解决可解释性AI?

拍摄原始图像

神经网络?决策树?都做不到!谁能解决可解释性AI?

使用一种称为Grad-CAM的方法的显著图

神经网络?决策树?都做不到!谁能解决可解释性AI?

和另一种使用引导反向传播方法的图像

显著图不能解释什么

为了说明为什么显著图不能完全解释模型如何预测,这里有一个例子:下列显著图是相同的,但是预测结果不同。

为什么?尽管两个显著图都突出显示了正确的对象,但有一个预测结果是不正确的。回答这个问题可以帮助改进模型,但是如下所示,显著图不能解释模型的决策过程。

神经网络?决策树?都做不到!谁能解决可解释性AI?

模型预测结果为有耳朵的鸟

神经网络?决策树?都做不到!谁能解决可解释性AI?

模型预测结果为有角的鸟

这些是使用Caltech-UCSDBirds-200-2011(或简称CUB 2011)在ResNet18模型上运用Grad-CAM方法得到的结果。虽然显著图看起来非常相似,但是模型的预测结果不同。因此,显著图并不能解释模型是如何达到最终预测的。

决策树

另一种方法是用可解释的模型代替神经网络。深度学习之前,决策树是准确性和可解释性的黄金标准。下面演示决策树的可解释性,它通过将每个预测分解为一系列决策来工作。

神经网络?决策树?都做不到!谁能解决可解释性AI?

与仅仅预测“大汉堡”或“华夫饼”不同,上面的决策树将输出一系列导致最终预测的决策。然后可以分别对这些中间决策进行验证或质疑。因此,经典的机器学习将这种模型称为“可解释的”。

但是,就准确性而言,决策树在图像分类数据集²上落后于神经网络达40%。神经网络和决策树混合算法也表现不佳,甚至在数据集CIFAR10上无法匹配神经网络,该数据集有如下所示的32x32微小图像。

神经网络?决策树?都做不到!谁能解决可解释性AI?

该示例展现了32x32有多小。这是来自CIFAR10数据集的一个样本。

这种精度差距损害了可解释性:需要高精度、可解释的模型来解释高精度的神经网络。

进入神经支持的决策树

通过建立既可解释又准确的模型来改良这种错误的二分法。关键是将神经网络与决策树相结合,在使用神经网络进行低级决策时保留高级的可解释性。

如下所示,将这些模型称为神经支持的决策树(NBDTs),并证明它们能够在保持决策树可解释性的同时,与神经网络的准确性相匹配。

神经网络?决策树?都做不到!谁能解决可解释性AI?

在此图中,每个节点都包含一个神经网络。该图仅突出显示了一个这样的节点和内部的神经网络。在神经支持的决策树中,通过决策树进行预测,以保留高级解释性。

但是,决策树中的每个节点都是做出低级决策的神经网络。上面的神经网络做出的“低级”决定是“有香肠”或“没有香肠”。

NBDT与决策树一样可解释。

与当今的神经网络不同,NBDT可以输出中间决策来进行预测。例如,给定图像,神经网络可以输出Dog。但是,NBDT可以同时输出Dog和Animal,Chordate,Carnivore(下图)。

神经网络?决策树?都做不到!谁能解决可解释性AI?

在此图中,每个节点都包含一个神经网络。该图仅突出显示了一个这样的节点和内部的神经网络。在神经支持的决策树中,通过决策树进行预测,以保留高级解释性。

但是,决策树中的每个节点都是做出低级决策的神经网络。上面的神经网络做出的“低级”决定是“有香肠”或“没有香肠”。上面的照片是根据Pexels许可从pexels.com获取的。

NBDT实现了神经网络的准确性。

与其他任何基于决策树的方法不同,NBDT在3个图像分类数据集上都匹配神经网络精度(差异小于1%)。NBDT还能在ImageNet上实现神经网络2%范围内波动的准确性,ImageNet是拥有120万张224x224图像的最大图像分类数据集之一。

此外,NBDT为可解释的模型设置了新的最新精度。NBDT的ImageNet准确度达到75.30%,比基于决策树的最佳竞争方法高出整整14%。为了准确地说明这种准确性的提高:对于不可解释的神经网络,类似的14%的增益花费了3年的研究时间。

神经支持的决策树可以解释什么,如何解释

个人预测的理由

最有见地的理由是根据该模型从未见过的对象。例如,考虑一个NBDT(如下),并在斑马上进行推断。尽管此模型从未见过斑马,但下面显示的中间决策是正确的——斑马既是动物又是蹄类动物。单个预测的正确性的能力对于没见过的物体至关重要。

神经网络?决策树?都做不到!谁能解决可解释性AI?

NBDT甚至可以为没见过的物体做出准确的中间决策。在此,该模型在CIFAR10上进行了训练,并且之前从未见过斑马。尽管如此,NBDT仍正确地将斑马识别为动物和蹄类动物。上面的照片是根据Pexels许可从pexels.com获取的。

模型行为的理由

此外,发现可以使用NBDT后,可解释性的准确性得到了提高。这与简介中的二分法背道而驰:NBDT不仅具有准确性和可解释性,还使准确性和可解释性成为同一目标。

神经网络?决策树?都做不到!谁能解决可解释性AI?

ResNet10层次结构

神经网络?决策树?都做不到!谁能解决可解释性AI?

WideResNet层次结构

在前者中,“猫”,“青蛙”和“飞机”位于同一子树下。相比之下,WideResNet层次结构在每一侧干净地分割了Animals和Vehicles。上面的图片来自CIFAR10数据集。

例如,较低精度的ResNet⁶层次结构将青蛙,猫和飞机分组在一起的意义较小。这是“不太明智的”,因为很难找到所有三类共有的明显视觉特征。

相比之下,准确性更高的WideResNet层次结构更有意义,将Animal与Vehicle完全分开——因此,准确性越高,NBDT的解释就越容易。

神经网络?决策树?都做不到!谁能解决可解释性AI?

图源:unsplash

了解决策规则

使用低维表格数据时,决策树中的决策规则很容易解释,例如,如果盘子中有面包,那么选择右侧节点,如下所示。但是,决策规则对于像高维图像这样的输入而言并不那么直接。

神经网络?决策树?都做不到!谁能解决可解释性AI?

此示例演示了如何使用低维表格数据轻松解释决策规则。右侧是几个项目的表格数据示例。左侧是根据此数据训练的决策树。

此时,决策规则(蓝色)是“是否有面包?”所有带有面包(橙色)的项目都发给最上面的节点,而所有没有面包(绿色)的项目都发给最下面的节点。该模型的决策规则不仅基于对象类型,而且还基于上下文、形状和颜色。

为了定量地解释决策规则,使用了称为WordNet7的现有层次;通过这种层次结构,可以找到类之间最具体的共享含义。例如,给定类别Cat和Dog,WordNet将提供哺乳动物。如下图所示,定量地验证了这些WordNet假设。

神经网络?决策树?都做不到!谁能解决可解释性AI?

神经网络?决策树?都做不到!谁能解决可解释性AI?

左子树(红色箭头)的WordNet假设是Vehicle。右边(蓝色箭头)的WordNet假设是Animal。为了定性地验证这些含义,针对没见过的物体类别对NBDT进行了测试:

  • 查找训练期间未见过的图像。
  • 根据假设,确定每个图像属于哪个节点。例如,大象是动物,所以*可以找到正确的子树。
  • 现在,可以通过检查将多少图像传递给正确的节点来评估假设。例如,检查将多少张大象图像发送到“Animal”子树。

这些分类的正确性显示在右侧,没见过的动物(蓝色)和没见过的Vehicle(红色)都显示较高的准确性。

请注意,在具有10个类别(即CIFAR10)的小型数据集中,可以找到所有节点的WordNet假设。但是,在具有1000个类别的大型数据集(即ImageNet)中,只能找到节点子集的WordNet假设。

一分钟内尝试NBDT

现在有兴趣尝试NBDT吗?无需安装任何软件,就可以在线查看更多示例输出,甚至可以尝试Web示例。或者,使用命令行实用程序来运行推理(使用pip installnbdt安装)。下面对猫的图片进行推断。

  1. nbdthttps://images.pexels.com/photos/126407/pexels-photo-126407.jpeg?auto=compress&cs=tinysrgb&dpr=2&w=32 # this can also be a path to local image 

这将输出类别预测和所有中间决策。

  1. Prediction: cat // Decisions: animal (99.47%), chordate(99.20%), carnivore (99.42%), cat (99.86%) 

也可以只用几行Python代码加载预训练的NBDT。使用以下内容开始,支持几种神经网络和数据集。

  1. from nbdt.model import HardNBDTfrom nbdt.models importwrn28_10_cifar10model = wrn28_10_cifar10()model = HardNBDTpretrained=Truedataset='CIFAR10'arch='wrn28_10_cifar10'modelmodel=model) 

作为参考,请参见上面运行的命令行工具的脚本。仅约20行就能进行转换输入和运行推理。

运作原理

神经支持决策树的训练和推理过程可以分为四个步骤。

神经网络?决策树?都做不到!谁能解决可解释性AI?

训练NBDT分为两个阶段:首先,构建决策树的层次结构。其次,训练带有特殊损失项的神经网络。要进行推理,请将样本输入神经网络主干。最后,将最后一个完全连接的层作为决策规则序列运行。

  • 构建决策树的层次结构。此层次结构确定了NBDT必须在哪些类之间进行决策。将此层次结构称为归纳层次结构。
  • 此层次结构产生一个特定的损失函数,称为树监督损失5。使用此新损失函数训练原始神经网络,无需任何修改。
  • 通过使样本输入神经网络主干来开始推理。主干是最终完全连接层之前的所有神经网络层。
  • 通过将最终的全连接层作为决策规则序列,称为嵌入式决策规则来完成推理。这些决策形成最终的预测。

可解释性AI不能完全解释神经网络如何实现预测:现有方法可以解释图像对模型预测的影响,但不能解释决策过程。决策树解决了这个问题,但其准确性还存在个挑战。

因此,将神经网络和决策树结合在一起。与采用相同混合设计的前代产品不同,神经支持决策树(NBDT)同时解决了以下问题:

  • 神经网络无法提供理由;
  • 决策树无法达到较高的准确性。

这为医学和金融等应用提供了一种新的准确、可解释的NBDT。

神经网络 决策树 AI
上一篇:人工智能正在推动芯片的复兴 下一篇:需要了解边缘计算和人工智能的7件事
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

2021年人工智能与自动化的发展趋势

自动化正在成为许多市场的首要任务,特别是随着远程工作的增长和劳动力短缺改变了传统的工作模式,很多企业转而采用更可持续的自动化解决方案。

Shelby Hiter ·  2天前
AI视频分析技术是如何工作的?原理是什么?

实时 AI 视频分析是一种基于人工智能的技术,可分析视频流以检测特定行为和事件的展开。这种类型的系统通过人工智能机器学习引擎检查来自监控摄像头的视频流来进行相关工作。该引擎使用一系列算法和程序来理解数据,并将数据转换为可理解的、有意义的信息。

EasyNVR ·  2天前
麻省理工学院使用AI加速3D打印新材料的发现

为了缩短发现这些新材料所需的时间,麻省理工学院的研究人员开发了一种数据驱动的过程,该过程使用机器学习来优化具有多种特性,如韧性和抗压强度的新型3D打印材料。

Yu ·  3天前
Alphabet的Wing公司将其无人机送货服务带到达拉斯·沃斯堡地区

Google母公司Alphabet的子公司Wing正在将其无人机送货服务带到德克萨斯州的城市,这是其第一个人口稠密的市场。

cnBeta ·  3天前
人工智能初创公司该如何取得成功?Gartner:“以下几点缺一不可”

近期,权威机构Gartner发布了关于大中华区人工智能初创公司的相关报告,旨在提供给技术购买者,即一般的企业要购买人工智能技术产品时,应如何评估这些人工智能初创公司。

陈赫 ·  3天前
人工智能与呼叫中心的“碰撞”,撞出一个新时代

自上世纪60年代以来,呼叫中心就一直存在,在美国国家航空航天局的任务控制中心里,经常可以看到人们戴着电话耳机进行电视转播节目的画面,从而获得了主流的关注。自此以后,呼叫中心通常被认为是必要的。

点控互联 ·  3天前
人工智能能否阻止未来战争?

形势的复杂性、敌对双方的棘手立场以及不断上升的成本,正在推动寻找基于人工智能的方法,以替代人类解决法律案件、国际争端和军事冲突。

中国指挥与控制学会 ·  3天前
持续降温不用愁,无人机护卫电网供温暖

随着持续的降温来袭,秋衣秋裤已经无法御寒,电暖器、暖风机、电热毯、空调等取暖设备纷纷上阵。而各种取暖设备的陆续使用,也使得城市用电迎来高峰,相应省市的供电压力不断攀升。

智能制造网 ·  3天前
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载