目录
摘要
Abstract
1.explainable machine learning输入处理
人眼观察
probing
2.global explanation
摘要
本篇文章继续学习李宏毅老师2025春季机器学习课程，学习内容是explainable machine learning如何处理输入，以及简单了解explainable machine learning分类中的global explanation。
1.explainable machine learning输入处理
人眼观察
如何处理输入？最直观的办法就是用人眼去看，以语音为例子，将输入拿出来降到二维，并画在二维平面上。在下图示例(MFCC)中，每一个点代表一小段声音讯号，每一个颜色代表某一个speaker。实际上有很多句子是重复的，但是在图中是不会体现出来的，不同的人念同样的句子特征也差了很多。但是当我们把network拿出来看时结果就不同了，在第八层的输出中，每一条中叠加了很多颜色，就意味着多个人说了同样内容的某个句子。
probing
我们需要小心分类器的强度，假设分类器的正确率很低，就无法保证embedding中有没有我们要的资讯。就是另一个手艺叫做probing（探针），举例来说，假设想知道BERT到底学到了什么，我们可以训练一个探针，探针其实就是一个分类器，这个分类器是要根据一个向量决定一个词汇的词性，若是正确率高就说明embedding中有很多词性的资讯。但
2.global explanation
容易复习一下global explanation的概念，global explanation不针对特定的照片进行分析，而是根据我们训练好的模型去检查对该network而言，一只猫长什么样子。举例来说，假设有一个convolutional neural network，它有很多的filter，把一张图片X作为输入convolutional layer会输出一个feature map，假设在feature map中（对应filter1）很多位置都有比较大的值，那么意味着图片X中有很多filter1负责侦测的特征。但我们想要知道，对于filter1对应的pattern是什么样，那么就必须机器去创造一张图片包含filter1对应的pattern。
那么我们如何寻找这样的图片？假设filter1对应的feature map中矩阵元素为a_ij，我们去找一张图片，通过convolutional layer后filter1对应的feature map里的矩阵元素a_ij的总合越大越好。允许用gradient ascent的方法寻找最大值。
在实际的例子中如下图所示，有12个filter对应的pattern。这个例子是数字辨识，对应的filter看出想要的特征是横竖斜线之类的。
假设我们不是看filter，而是看最终的输出，会有什么现象呢？假设我们找到一个图片让某一个类别的分数越高越好，依旧是数字辨识，最终输出只要0-9，我们选一个数字出来，希望找到的图片输出是1的分数越高越好。但结果是我们只能看到一堆杂讯。此种现象可以用adversarial attack解释，在图片上加一些根本看不到的杂讯就会让机器看到各式各样的物件。因而想通过看最终的输出观察对机器而言某个对象是什么样子，并不是这么容易的。
假设想要看最终的输出去观察对机器而言某个对象是什么样子？我们应该在上面的手段加上更多的限制。举例来说，已经知道数字可能长什么样，那么可以把想要的限制加到optimization的过程中。那么现在我们必须的就不只是让某一个类别的分数（y_i）越高越好，还需要一个用来衡量这个图片多像一个数字的分数R(X)也越高越好。下图的例子中R(X)为减少白色的点。
