EMBC Tutorial on Interpretable and Transparent Deep Learning Wojciech Samek Grégoire Montavon Klaus-Robert Müller (Fraunhofer HHI) (TU Berlin) (TU Berlin) 13:30 - 14:00 Introduction KRM 14:00 - 15:00 T echniques for Interpretability GM 15:00 - 15:30 Cofgee Break ALL 15:30 - 16:15 Evaluating Interpretability & Applications WS 16:15 - 17:15 Applications in BME & the Sciences and Wrap-Up KRM 1 / 5 4
N a r r o w i n g t h e C o n c e p t o f E x p l a n a t i o n 2 / 5 4
E x p l a i n i n g M L M o d e l s : T w o V i e w s me c h a n i s t i c f u n c t i o n a l u n d e r s t a n d i n g u n d e r s t a n d i n g U n d e r s t a n d i n g w h a t U n d e r s t a n d i n g h o w t h e m e c h a n i s m t h e n e t w o r k n e t w o r k s r e l a t e s t h e i n p u t u s e s t o s o l v e a p r o b l e m o r t o t h e o u t p u t v a r i a b l e s . i m p l e m e n t a f u n c t i o n . 3 / 5 4
E x p l a i n i n g M L M o d e l s : T w o P r o b l e ms mo d e l a n a l y s i s d e c i s i o n a n a l y s i s p o s s i b l e a p p r o a c h p o s s i b l e a p p r o a c h - b u i l d p r o t o t y p e s o f " t y p i c a l " - i d e n t i f y w h i c h i n p u t v a r i a b l e s e x a m p l e s o f a c e r t a i n c l a s s . c o n t r i b u t e t o t h e p r e d i c t i o n . 4 / 5 4
E x p l a i n i n g M L M o d e l s : T w o P r o b l e ms M o d e l A n a l y s i s D e c i s i o n A n a l y s i s “ w h a t d o e s s o m e t h i n g “ w h y a g i v e n i m a g e i s c l a s s i fi e d a s p r e d i c t e d a s a p o o l t a b l e a p o o l t a b l e ” t y p i c a l l y l o o k l i k e . “ w h y i t i s c l a s s i fi e d s o m e p o o l t a b l e m o d e l ’ s p r o t o t y p i c a l a s a p o o l t a b l e p o o l t a b l e 5 / 5 4
A S u r v e y o f E x p l a n a t i o n T e c h n i q u e s 6 / 5 4
O v e r v i e w o f E x p l a n a t i o n M e t h o d s 1 . P e r t u r b a t i o n - B a s e d Me t h o d s 2 . Me a n i n g f u l P e r t u r b a t i o n s 3 . S i m p l e T a y l o r E x p a n s i o n 4 . G r a d i e n t x I n p u t 4 . L a y e r - Wi s e R e l e v a n c e P r o p a g a t i o n ( L R P ) 7 / 5 4
A p p r o a c h 1 : P e r t u r b a t i o n Idea: Assess features relevance by testing the model response to their removal or perturbation. castle D N N D N N … still a castle not a castle D N N 8 / 5 4
A p p r o a c h 1 : P e r t u r b a t i o n Building an explanation A d v a n t a g e s i=1 i=2 i=3 ... - S i m p l e . i=6 input - A p p l i c a b l e t o ML m o d e l . a n y D i s a d v a n t a g e s - N e e d t o r e e v a l u a t e t h e f u n c t i o n f o r m a n y p e r t u r b a t i o n s → s l o w i=1 i=2 i=3 ... - P e r t u r b a t i o n p r o c e s s m a y i=6 i n t r o d u c e a r t e f a c t s i n t h e i m a g e heatmap → u n r e l i a b l e 9 / 5 4
A p p r o a c h 2 : M e a n i n g f u l P e r t u r b a t i o n s Idea: Don’t iterate over all possible perturbation, search locally for the best perturbation m* (or mask). Fong and Vedaldi 2017, Interpretable Explanations of Black Boxes by Meaningful Perturbation 1 0 / 5 4
A p p r o a c h 2 : M e a n i n g f u l P e r t u r b a t i o n s A d v a n t a g e s - C a n b e a p p l i e d t o a n y ( d i fg e r e n t i a b l e ) ML m o d e l . L i mi t a t i o n s - N e e d t o r u n a n o p t i m i z a t i o n p r o c e d u r e 1 1 / 5 4
A p p r o a c h 3 : ( S i mp l e ) T a y l o r E x p a n s i o n s I d e a : i d e n t i f y t h e c o n t r i b u t i o n o f i n p u t f e a t u r e s a s t h e fj r s t - o r d e r t e r m s o f a T a y l o r e x p a n s i o n T a y l o r E x p a n s i o n 1 2 / 5 4
A p p r o a c h 3 : ( S i mp l e ) T a y l o r E x p a n s i o n s A d v a n t a g e s - C a n b e a p p l i e d t o ( d i fg e r e n t i a b l e a n d m i l d l y n o n l i n e a r ) ML m o d e l . a n y L i mi t a t i o n s - N e e d t o fj n d a m e a n i n g f u l r o o t p o i n t w h e r e t o p e r f o r m t h e e x p a n s i o n . ( → o p t i m i z a t i o n , o r h e u r i s t i c s ) 1 3 / 5 4
A p p r o a c h 4 : G r a d i e n t x I n p u t Mo t i v a t i o n - C o m p u t e a n e x p l a n a t i o n i n a s i n g l e p a s s w i t h o u t h a v i n g t o o p t i m i z e o r s e a r c h f o r a r o o t p o i n t . Gradient x Input 1 4 / 5 4
A p p r o a c h 4 : G r a d i e n t x I n p u t O b s e r v a t i o n : C o m p l e x a n a l y s e s r e d u c e t o g r a d i e n t x i n p u t f o r s i m p l e c a s e s . Perturbation Analysis Taylor Expansions Gradient x Input Q u e s t i o n : D o e s i t w o r k i n p r a c t i c e ? 1 5 / 5 4
A p p r o a c h 4 : G r a d i e n t x I n p u t E x p l a n a t i o n I n p u t P r e d i c t i o n ( c l a s s : b a s e b a l l ) 1 6 / 5 4 A l b e r e t a l . i N N v e s t i g a t e N e u r a l N e t w o r k s , J M L R S o f t w a r e , 2 0 1 9
A p p r o a c h 4 : G r a d i e n t x I n p u t I n p u t Mo d e l E x p l a n a t i o n V G G - 1 6 O b s e r v a t i o n : I n c e p t i o n V 3 E x p l a n a t i o n s a r e n o i s y . R e s N e t 5 0 1 7 / 5 4 A l b e r e t a l . i N N v e s t i g a t e N e u r a l N e t w o r k s , J M L R S o f t w a r e , 2 0 1 9
A p p r o a c h 4 : G r a d i e n t x I n p u t T w o r e a s o n s w h y e x p l a n a t i o n s a r e n o i s y : N o t l o c a l e n o u g h . T o o m u c h c o n t e x t i n t r o d u c e d w h e n m u l t i p l y i n g b y t h e i n p u t . S h a t t e r e d g r a d i e n t p r o b l e m → g r a d i e n t o f d e e p n e t s h a s l o w i n f o r m a t i v e v a l u e 1 8 / 5 4
A p p r o a c h 4 : G r a d i e n t x I n p u t The Shattered gradients problem [Montufar’14, Balduzzi’17] 1 9 / 5 4
O v e r v i e w o f E x p l a n a t i o n M e t h o d s - R e c a p 1 . P e r t u r b a t i o n - B a s e d Me t h o d s → u n i v e r s a l l y a p p l i c a b l e b u t s l o w 2 . Me a n i n g f u l P e r t u r b a t i o n s → w i d e l y a p p l i c a b l e b u t r e q u i r e s o p t i m i z a t i o n 3 . T a y l o r E x p a n s i o n s → q u i t e w i d e l y a p p l i c a b l e b u t r e q u i r e s t o fj n d a r o o t p o i n t 4 . G r a d i e n t x I n p u t → a p p l i c a b l e w i t h s o m e r e s t r i c t i o n s → f a s t , O ( f o r w a r d p a s s ) → d o e s n o t w o r k w e l l o n h i g h l y n o n l i n e a r f u n c t i o n s ( e . g . D N N s ) 2 0 / 5 4
L a y e r - Wi s e R e l e v a n c e P r o p a g a t i o n 2 1 / 5 4
I d e a : R e u s i n g M o d e l S t r u c t u r e mo d e l i s a c o mp o s i t i o n o f n e u r o n s . T h i s c a n b e e x p l o i t e d t o ma k e e x p l a n a t i o n e a s i e r . 2 2 / 5 4
Recommend
More recommend