1
雷锋网按：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/
更多文章，关注雷锋网 雷锋网
添加雷锋字幕组微信号（leiphonefansub）为好友
备注「我要加入」，To be an AI Volunteer ！
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
