视频 | 2分钟论文：用谷歌「AI可解释性」看懂机器学习

AI 科技评论按：这里是，雷锋字幕组编译的 Two minutes paper 专栏，每周带大家用碎片时间阅览前沿技术，了解AI领域的最新研究成果。

原标题：Building Blocks of AI Interpretability - Two Minute Papers #234

翻译 | 陈晓璇 字幕 | 凡江 整理 | 吴璇 逯玉婧

谁再说神经网络是黑盒，甩出这篇文章，给 TA 翻个白眼。

上周，谷歌 Jeff Dean 在推特上转发了一句话「还认为神经网络是黑盒吗？要不再想想 :) 」。

还配上了《纽约时报》一篇名为《谷歌研究人正在搞懂机器学习》的文章。

点进这篇文章发现，Jeff Dean 意指论文《The Building Blocks of Interpretability》（译名：可解释性的基石）在神经网络可视化方面的新进展。

研究由谷歌大脑研究员 Chris Olah 带队完成，创建了一套神经网络可视化方法。

左图：可以被神经网络识别，比如说，告诉我们图片里有没有花瓶或柠檬。右图：神经网络中间层的可视化呈现，能够检测到图片中的每个点。看起来，神经网络正在检测，像花瓶的模型以及像柠檬的物体。

论文将独立的神经元、分类归属与可视化结合，从而提供一种理解神经元的方法。

我们通过观察「神经元可以被哪些图像激活」，「神经元在找哪些图像」、「神经元判定这个图像属于哪一类」，可以判断出「神经元的最终决策及贡献值」。

这个过程减少了神经元的总数，并且将神经元分解成一些小的语义组，得出有意义的解释方法。在论文中被称作「因式分解」或者「神经元分组」。通过做这项工作，我们可以得到高度描述性的标签，赋予它们直观的含义。

现在我们把一张图片放到拉布拉多组，神经网络开始观察拉布拉多的耳朵、额头、嘴巴还有毛发的组合。过程可以由一个活动地图来展示，通过观察，我们可以轻松看到神经元群组兴奋点。

我们这里仅仅概括了论文的表面含义，论文中还有许多其他的成果和互动的案例供大家赏析。

论文原址： https://distill.pub/2018/building-blocks/