一种基于视觉编辑路径的黑箱模型可解释归因方法及装置

技术领域

本申请涉及黑箱模型解释领域，尤其涉及一种基于视觉编辑路径的黑箱模型可解释归因方法及装置。

背景技术

深度学习近几年促进了智能领域的应用。然而，深度神经网络(以下简称为DNN)的黑箱特性阻碍了对复杂模型决策机理的理解，给安全要求高的行业应用(例如自动驾驶、医疗健康)带来了风险。

目前存在一些方法将模型的输出归因于输入的每个成分，并且通过分配归因值来解释对应的贡献度，归因方法作为一种调试手段，可以被用来监视模型和数据中出现的错误。然而，用户似乎依然不太信任归因结果，根据研究表明认为这种不信任感是由严谨性与可理解性的缺乏导致的。因此急需增强归因方法的严格性以切断方法本身误差对结果的影响，从而获取用户的信任，同时为了提升可理解性，一些其他准则在将归因与实际含义对齐方面同等重要。

现有技术中，博弈论领域的研究已经证明路径方法是唯一同时满足加性、敏感性、有效性的方法，然而仅仅具备严格性对获得可信解释是不够的，路径的不同选择极大地影响了现有路径方法的归因结果，目前已有路径方法等利用基本公理确保归因产生的严格性，但是归因的切实内含由于路径选择迥异而模糊不清，从而导致解释的歧义性。

发明内容

针对上述问题，提出了一种基于视觉编辑路径的黑箱模型可解释归因方法及装置，以增强用户对模型决策逻辑的理解，从而提升黑箱模型应用于自动驾驶、健康医疗等领域的可靠度。

本申请第一方面提出一种基于视觉编辑路径的黑箱模型可解释归因方法，包括：

获取训练好的黑箱图像分类模型，选择路径方法对所述黑箱图像分类模型进行解释；

构建最小充分性原则与视觉编辑路径集合，在所述最小充分性原则下，通过所述视觉编辑路径集合得到快速近似求解最优路径的压缩感知重构SAMP算法；

初始化所述SAMP算法，通过贪婪搜索策略迭代式运行所述SAMP算法，得到可解释归因结果，其中，在运行过程中引入L1范数约束与动量更新机制；

对所述可解释归因结果进行归一化处理与可视化处理，得到原始图像中每个像素对黑箱图像分类模型产生结果的贡献值。

可选的，所述获取训练好的黑箱图像分类模型，包括：

获得任意可微的图像分类模型；

给定预设的分类损失函数，利用梯度下降算法迭代式优化所述图像分类模型的参数，直到损失函数基本收敛，结束训练，得到训练完毕的所述黑箱图像分类模型。

可选的，所述选择路径方法对所述黑箱图像分类模型进行解释，包括：

选择起始点图像x

其中，y

通过黎曼和近似所述线积分方程，得到:

其中，

根据贡献值方程与近似后的线积分方程，得到图像分类贡献值与所述近似值的相对关系，如下：

其中，所述贡献值方程为：

可选的，所述最小充分性原则为基于图像分类贡献值集中分配给产生必要贡献的像素，使得存在一个最小的高贡献像素集合能够完整覆盖图像输出结果的变化；

所述视觉编辑路径集合的物理含义为每个编辑步骤均对有限个图像像素进行删减或添加操作，其中，对于所述视觉编辑路径集合Γ

其中，|Ω

可选的，所述初始化所述SAMP算法，包括：

将当前指标k初始化为0，并将当前路径分段集合初始化为空集

将当前点图像x

将当前累积梯度g

可选的，所述通过贪婪搜索策略迭代式运行所述SAMP算法，得到可解释归因结果，其中，在运行过程中引入L1范数约束与动量更新机制，包括：

采用所述动量更新机制更新所述当前累积梯度，如下：

其中，λ是动量加权系数，且λ∈(0,1]；

计算梯度对编辑整体方向的投影，如下：

其中，j为梯度；

根据α

构建第k个路径分段，如下：

根据所述第k个路径分段，更新当前点图像x

x

a

D←D∩{dx

重复上述迭代循环，直到当前点图像x

可选的，所述方法，还包括：

将所述第k个路径分段的模长与预设阈值进行比较，若所述模长大于所述预设阈值，则对所述模长进行裁剪，裁剪方程如下：

其中，η为所述预设阈值。

可选的，所述对所述可解释归因结果进行归一化处理与可视化处理，包括：

将所述可解释归因结果归一化到0～1之间；

以热力图的形式，将归一化后的所述可解释归因结果进行可视化展示。

本申请第二方面提出一种基于视觉编辑路径的黑箱模型可解释归因装置，包括：

解释模块，用于获取训练好的黑箱图像分类模型，选择路径方法对所述黑箱图像分类模型进行解释；

构建模块，用于构建最小充分性原则与视觉编辑路径集合，在所述最小充分性原则下，通过所述视觉编辑路径集合得到快速近似求解最优路径的压缩感知重构SAMP算法；

迭代运行模块，用于初始化所述SAMP算法，通过贪婪搜索策略迭代式运行所述SAMP算法，得到可解释归因结果，其中，在运行过程中引入L1范数约束与动量更新机制；

展示模块，用于对所述可解释归因结果进行归一化处理与可视化处理，得到原始图像中每个像素对黑箱图像分类模型产生结果的贡献值。

本申请第三方面提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法。

本申请的实施例提供的技术方案至少带来以下有益效果：

能够计算可微复杂黑箱模型的可解释归因，有助于揭示模型决策过程，增强用户对模型决策逻辑的理解，回溯典型分类模型产生结果的注意力机制，便于提升自动驾驶、医疗健康等视觉分析与识别领域用户对复杂模型的信任度。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请实施例示出的一种基于视觉编辑路径的黑箱模型可解释归因方法的流程图；

图2是根据本申请实施例示出的一种基于视觉编辑路径的黑箱模型可解释归因装置的框图；

图3是一种电子设备的框图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

图1是根据本申请实施例示出的一种基于视觉编辑路径的黑箱模型可解释归因方法的流程图，包括：

步骤101，获取训练好的黑箱图像分类模型，选择路径方法对黑箱图像分类模型进行解释。

黑箱模型是一种纯经验模型，依据系统的输入-输出数据或各种类型输出变量数据所提供的信息，建立各个变量之间的函数关系，而完全不追究系统内部状态变化的机理。

本申请针对可微的黑箱模型产生可解释归因结果，由于自动驾驶、医疗健康等视觉分析与识别领域对模型结果信任度有较高的需求，以视觉领域典型的图像分类任务为例，揭示产生模型分类结果的注意力机制有助于提高用户对分类结果的信任度。

本申请实施例中，对于任意可微的图像分类模型f，其输入的图像数据为x，输出的图像分类标签为y，分类模型的参数为θ，给定常规的分类损失函数l，利用梯度下降算法迭代式优化模型参数，直到损失函数基本收敛结束训练，得到训练完毕的黑箱图像分类模型。

需要说明的是，与现有相关方法类似的是，本申请选择路径方法对黑箱图像分类模型进行解释，具体的解释过程为：

选择起始点图像x

其中，y

通过黎曼和近似线积分方程，得到:

对其进行展开，得到：

于是有

其中，

步骤102，构建最小充分性原则与视觉编辑路径集合，在最小充分性原则下，通过视觉编辑路径集合得到快速近似求解最优路径的压缩感知重构SAMP算法。

现有技术中，由于不同的线积分求解路径会产生迥然不同的像素贡献值分配结果，从而损害用户对分类结果解释的信任度。为了消除像素贡献度分配的歧义性，本申请实施例提出最小充分性原则定义了明确的路径选择目标，提升了路径本身含义的清晰性，并且为了高效求解最小充分性原则下的最优路径，本申请定义了一个典型的路径候选集合，即视觉编辑路径集合。

具体的，最小充分性原则为基于图像分类贡献值集中分配给产生必要贡献的像素，使得存在一个最小的高贡献像素集合能够完整覆盖图像输出结果的变化；

视觉编辑路径集合的物理含义为每个编辑步骤均对有限个图像像素进行删减或添加操作，其中，对于视觉编辑路径集合Γ

其中，|Ω

步骤103，初始化SAMP算法，通过贪婪搜索策略迭代式运行SAMP算法，得到可解释归因结果，其中，在运行过程中引入L1范数约束与动量更新机制。

本申请实施例中，首先对SAMP算法初始化，初始化过程如下：

将当前指标k初始化为0，并将当前路径分段集合初始化为空集

将当前点图像c

将当前累积梯度g

完成初始化后开始迭代式运行SAMP算法，且完成一次迭代指标k自动增加1。

本申请实施例中，为了提升方法的严格性，在每步迭代中施加了L1范数约束，确保每步迭代步长小于一个可容忍的上界，同时为了缓解局部最优解困境，采用梯度更新策略，从而促进求解算法摆脱解空间中的病态点。

具体的，采用动量更新机制更新当前累积梯度，如下：

其中，λ是动量加权系数，且λ∈(0,1]；

计算梯度对编辑整体方向的投影，如下：

其中，j为梯度；

根据α

构建第k个路径分段，如下：

根据第k个路径分段，更新当前点图像x

x

a

D←D∩{dx

重复上述迭代循环，直到当前点图像x

需要补充的是，本申请提出的L1范数约束运用模长裁剪策略确保每步迭代模长小于给定上界，保证路径积分的严格性，即将第k个路径分段的模长与预设阈值进行比较，若模长大于预设阈值，则对模长进行裁剪，裁剪方程如下：

其中，η为预设阈值，也即上界。

步骤104，对可解释归因结果进行归一化处理与可视化处理，得到原始图像中每个像素对黑箱图像分类模型产生结果的贡献值。

本申请实施例中，将可解释归因结果归一化到0～1之间，以热力图的形式，将归一化后的可解释归因结果进行可视化展示，便可以得到原始图像中每个像素对图像分类模型产生结果的贡献值。

需要说明的是，根据最小充分性原则，较大归因值对应的数据成分对模型的最终输出的变化具有更大的贡献。

本申请实施例中，对于具有可靠性需求的领域(例如自动驾驶、医疗健康等)，用户通过观察可解释归因的热力图，便可以直观分析原始图像分类模型在进行决策过程中对图像不同像素的关注程度。具体的，对于正确分类的图像，能够帮助用户理解模型的推理逻辑；对于错误分类的图像，能够帮助用户监控并调试分类模型中存在的错误，便于迭代式消除视觉分类模型产生的错误，最终提升用户对复杂图像分类模型的信任度。

本申请实施例能够计算可微复杂黑箱模型的可解释归因，有助于揭示模型决策过程，增强用户对模型决策逻辑的理解，回溯典型分类模型产生结果的注意力机制，便于提升自动驾驶、医疗健康等视觉分析与识别领域用户对复杂模型的信任度。

图2是根据本申请实施例示出的一种基于视觉编辑路径的黑箱模型可解释归因装置200的框图，包括：

解释模块210，用于获取训练好的黑箱图像分类模型，选择路径方法对黑箱图像分类模型进行解释；

构建模块220，用于构建最小充分性原则与视觉编辑路径集合，在最小充分性原则下，通过视觉编辑路径集合得到快速近似求解最优路径的压缩感知重构SAMP算法；

迭代运行模块230，用于初始化SAMP算法，通过贪婪搜索策略迭代式运行SAMP算法，得到可解释归因结果，其中，在运行过程中引入L1范数约束与动量更新机制；

展示模块240，用于对可解释归因结果进行归一化处理与可视化处理，得到原始图像中每个像素对黑箱图像分类模型产生结果的贡献值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图3示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图3所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音指令响应方法。例如，在一些实施例中，语音指令响应方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的语音指令响应方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音指令响应方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。