HSA²M: Mapa de Activación Jerárquica de Agregación de Picos para Explicaciones Visuales de Redes Neuronales de Picos

Área de la Ciencia:

• Neurociencia Computacional; Inteligencia Artificial; Aprendizaje Automático

Sus antecedentes:

• Las redes neuronales de picos (SNN) presentan desafíos en la explicación visual debido a la escasez de picos y la discontinuidad temporal.; Los métodos existentes luchan por generar mapas de saliencia coherentes, lo que limita la interpretabilidad de las SNN.; Los principios neurobiológicos ofrecen soluciones potenciales para mejorar la explicabilidad de las SNN.

Objetivo del estudio:

• Desarrollar un método novedoso, Mapa de Activación Jerárquica de Agregación de Picos (HSA²M), para generar explicaciones visuales de grano fino en SNN.; Abordar las limitaciones de las técnicas actuales de interpretabilidad de SNN.; Aprovechar la integración jerárquica de características y la saliencia del intervalo entre picos de la neurociencia.

Principales métodos:

• HSA²M emplea agregación de picos multicapa y fusión adaptativa, inspirada en la vía visual ventral y los intervalos cortos entre picos.; Los módulos clave incluyen un Generador de Mapas de Activación de Picos (SAMG) para la saliencia a nivel de capa, Fusión Ponderada por Fisher (FWF) para la integración adaptativa de mapas utilizando Información de Fisher (FI) y un Optimizador de Hiperparámetros Consciente de Métricas (MA-HPO).; El método mantiene la eficiencia basada en eventos inherente al procesamiento basado en picos.

Principales resultados:

• HSA²M mejoró significativamente la interpretabilidad, demostrado por un aumento del 4.81% en ADCC.; La fidelidad se mejoró, con un aumento del 10.085% en el coeficiente de correlación de rango de Spearman (ρ).; La robustez adversarial mostró una mejora marcada, con una disminución del 86.32% en la distancia L1 normalizada.

Conclusiones:

• HSA²M proporciona explicaciones visuales precisas y de alta fidelidad para SNN, superando a los métodos del estado del arte.; El método integra con éxito principios neurobiológicos en la interpretabilidad de SNN.; HSA²M ofrece un enfoque prometedor para avanzar en la explicabilidad y la confiabilidad de las SNN en varios puntos de referencia.