模型可解释性 DeepLIFT 论文解析

论文标题：Learning Important Features Through Propagating Activation Differences

论文作者：Avanti Shrikumar, Peyton Greenside, Anshul Kundaje

论文发表时间及来源：Oct 2019，ICML

论文链接：http://proceedings.mlr.press/v70/shrikumar17a/shrikumar17a.pdf

DeepLIFT方法

1. DeepLIFT理论

        DeepLIFT解释了目标输入、目标输出与“参考(reference)”输入、“参考”输出间的差异。“参考”输入是人为选择的中性的输入。

        用表示单层神经元或多层神经元的集合，为对应的“参考”，有。用表示目标输入经过的输出（当

2. 乘数(Multiplier)与链式法则

        乘数与偏导数类似：偏导数是指产生无穷小变化时，的变化率；而乘数是指产生一定量的变化后，的变化率。

        这里可理解为中间层的。给定每个神经元与其直接后继的乘数，即可计算任意神经元与目标神经元的乘数。

3. 定义“参考”

        MNIST任务中，使用全黑图片作为“参考”。

        CIFAR10任务中，使用原始图像的模糊版本能突出目标输入的轮廓，而全黑图片作为参考时产生了一些难以解释的像素。

        DNA序列分类任务中，以ATGC的期望频率作为“参考”。即目标输入是四维的one-hot编码，“参考”输入是相同维度的ATGC期望频率。这里还有一种方法没有看懂，见Appendix J。

4. 区分正、负贡献

        当应用RevealCancel规则时，区分正、负贡献非常重要。

5. 分配贡献分数的规则

线性规则

        用于Dense层，卷积层，不可用于非线性层。定义线性函数，则。

        公式有点复杂，举例说明。“参考”输入，目标输入，则由式（6）得，由式（8）得两个特征贡献分数分别为3和8，由式（12）得两个神经元的乘数分别为3和4。乘数的作用是，如果神经网络有两层线性函数，为第一层神经元，为第二层神经元，则第二层的乘数为5，由式（3）得整个神经网络第一个特征的乘数为15，第二个特征的乘数为20，每个位置的输入乘以乘数就是其贡献分数。

Rescale规则

        用于非线性层，如ReLU，tanh或sigmoid等。由于非线性函数只有一个输入，则，，和分别为：

        当时，可用梯度代替。Rescale规则解决了梯度饱和问题和值域问题，例子见论文。

RevealCancel规则

       这里说明为何 和 需分开计算。下图是一个计算最小值的操作，假定，目标输入，，则。根据线性规则，可知，。根据Rescale规则，，，。则总贡献分数为， 总贡献分数为。

         同样地，梯度，输入*梯度方法也会赋予其中一个特征0的贡献分数，这忽略了特征间的相互依赖性。  和 分开计算的公式为：

        用这种方法计算出和的贡献分数均为0.5，其过程简单来说是把每一层神经元输出做+、-的区分，两条路径分别计算乘数与贡献分数后再加和。计算过程有点复杂，详见Appendix C 3.4。