摘要: 近年来,深度学习在很多领域得到广泛应用。然而,由于深度神经网络模型的高度非线性操作,导致其可解释性较差,并常常被称为“黑箱”模型,无法应用于一些对性能要求较高的关键领域。因此,对深度学习的可解释性开展研究是很有必要的。首先,简单介绍了深度学习,然后利用citespace对Web of Science数据库中的相关文献进行检索、分析和可视化,发现可解释性是近年来计算机科学和人工智能的一个热点研究方向。围绕深度学习的可解释性,从隐层可视化、类激活映射、敏感性分析、频率原理、鲁棒性扰动测试、信息论、可解释模块和优化方法八个方面对现有研究工作进行分析,展示了其在网络安全、推荐系统、医疗和社交网络领域的应用。最后讨论了深度学习可解释性研究存在的问题及未来的发展方向。
中图分类号: