数学 > 数值分析
[提交于 2025年4月21日
]
标题: 灵敏度分析方法在研究神经网络模型中的应用
标题: Application of Sensitivity Analysis Methods for Studying Neural Network Models
摘要: 本研究展示了多种方法在分析神经网络对输入数据扰动的敏感性以及解释其潜在机制方面的能力。 所研究的方法包括Sobol全局敏感性分析、输入像素扰动的局部敏感性方法以及激活最大化技术。 作为示例,本研究考虑了一个用于分析开放表格临床糖尿病数据集的小型前馈神经网络,以及两个经典的卷积架构VGG-16和ResNet-18,它们广泛用于图像处理和分类。 使用全局敏感性分析有助于识别所选小型神经网络的主要输入参数,并在不显著损失准确性的情况下减少其数量。 由于全局敏感性分析不适用于更大的模型,我们尝试在卷积神经网络中应用局部敏感性分析和激活最大化方法。 这些方法在解决图像分类问题的卷积模型中表现出有趣的模式。 总的来说,我们在超声数据分析的背景下将激活最大化方法的结果与流行的Grad-CAM技术进行了比较。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.