一个基于细分的框架,用于动物情感计算中的可解释性

科学领域:

• 动物行为分析 动物行为分析
• 机器学习的可解释性
• 情感计算是一种情感计算.

背景情况:

• 深度学习模型对于动物影响的识别至关重要,但缺乏解释性.
• 目前的可解释性方法,如突出性地图,主要是定性.
• 量化可解释性对于动物福利研究的信任和采用至关重要.

研究的目的:

• 提出一个框架,以提高和量化动物情感计算中的可解释性.
• 评估和比较来自深度学习模型的视觉解释.
• 评估显著性地图与语义上有意义的动物区域的对齐.

主要方法:

• 开发了一个定量评分机制来比较突出性地图.
• 专注于评估基于预定义的语义区域的视觉解释.
• 利用了三个数据集来识别猫,马和狗的疼痛和情绪.

主要成果:

• 拟议的框架允许对可解释性方法进行系统的,可测量的比较.
• 突出地图始终强调眼睛区域是数据集中最重要的.
• 展示了可解释性框架的潜力,以揭示AI如何解释动物情感状态.

结论:

• 该框架为开发和评估动物情感计算分类器提供了质量指标.
• 强调着重关注生物相关的语义区域对于模型可解释性的重要性.
• 为建立信任和推进人工智能驱动的动物福利和健康研究提供了一种新的方法.