HSA²M:从尖端神经网络进行视觉解释的层次尖端聚合激活地图

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 尖端神经网络 (SNN) 在视觉解释方面存在挑战,因为尖端稀疏性和时间不连续性.
• 现有的方法难以生成连贯的突出性地图,限制了SNN的解释性.
• 神经生物学原理为提高SNN解释能力提供了潜在的解决方案.

研究的目的:

• 开发一种新的方法,分层尖峰聚合激活图 (HSA2M),用于在SNN中生成细粒度的视觉解释.
• 为了解决当前SNN解释能力技术的局限性.
• 从神经科学中利用层次特征集成和互点区间突出性.

主要方法:

• HSA2M采用多层尖峰聚合和自适合融合,灵感来自腹部视觉路径和短间隔的尖峰间隔.
• 关键模块包括一个尖端激活地图生成器 (SAMG),用于层级突出,使用费舍尔信息 (FI) 进行自适应地图集成的费舍尔加权融合 (FWF),以及一个Metric-Aware超参数优化器 (MA-HPO).
• 该方法保持了基于spike的处理固有的事件驱动效率.

主要成果:

• HSA2M显著提高了解释性,ADCC增加4.81%证明了这一点.
• 忠诚度得到了增强,斯皮尔曼的等级相关系数 (ρ) 提高了10.085%.
• 对手的强度明显改善,正常化的L1距离减少了86.32%.

结论:

• HSA2M为SNN提供精确,高准确度的视觉解释,性能优于最先进的方法.
• 该方法成功地将神经生物学原理与SNN解释性相结合.
• 在各种基准上,HSA2M提供了一种有前途的方法来提高SNN的可解释性和可信性.