在醫(yī)療診斷、自動(dòng)駕駛等高風(fēng)險(xiǎn)場(chǎng)景中，人工智能（AI）模型決策的可解釋性至關(guān)重要。據(jù)美國(guó)麻省理工學(xué)院官網(wǎng)近日消息稱(chēng)，為了提高透明度，該校團(tuán)隊(duì)開(kāi)發(fā)出一種新方法，能夠從已訓(xùn)練好的計(jì)算機(jī)視覺(jué)模型中自動(dòng)提取關(guān)鍵概念，并迫使模型使用這些人類(lèi)易于理解的概念進(jìn)行解釋和預(yù)測(cè)。這項(xiàng)進(jìn)展有望在提升模型準(zhǔn)確性的同時(shí)，增強(qiáng)用戶(hù)對(duì)“黑盒”AI的信任。

概念瓶頸模型是增強(qiáng)AI可解釋性的常見(jiàn)技術(shù)。它是指在模型決策過(guò)程中增加一個(gè)中間步驟：先識(shí)別圖像中與任務(wù)相關(guān)的、可被人理解的“概念”，再基于這些概念做出最終預(yù)測(cè)。例如，在腫瘤診斷中，模型可能先識(shí)別“成簇的棕色斑點(diǎn)”這一概念，再判斷是否為黑色素瘤。

然而，傳統(tǒng)方法依賴(lài)人類(lèi)專(zhuān)家或大語(yǔ)言模型預(yù)先定義概念集，這些概念可能與具體任務(wù)關(guān)聯(lián)性不強(qiáng)，或缺乏足夠細(xì)節(jié)，從而影響模型性能。另外，模型在訓(xùn)練時(shí)也可能“暗中”使用了定義之外的其他特征，導(dǎo)致解釋與真實(shí)不符。

此次，團(tuán)隊(duì)利用一個(gè)經(jīng)過(guò)海量數(shù)據(jù)預(yù)訓(xùn)練的視覺(jué)模型，認(rèn)為其內(nèi)部已蘊(yùn)含了完成任務(wù)所需的知識(shí)。他們?cè)O(shè)計(jì)了一種兩階段流程來(lái)提取和轉(zhuǎn)化這些知識(shí)。首先，使用一個(gè)稱(chēng)為稀疏自編碼器的專(zhuān)用模型，提取出最相關(guān)的特征，并將其壓縮為少量核心概念。接著，由一個(gè)多模態(tài)大語(yǔ)言模型將這些特征轉(zhuǎn)化為簡(jiǎn)潔的自然語(yǔ)言描述，并自動(dòng)為數(shù)據(jù)集中圖像標(biāo)注這些概念真實(shí)與否。最后，利用這些標(biāo)注數(shù)據(jù)訓(xùn)練一個(gè)概念瓶頸模塊，并將其整合到原始模型中，強(qiáng)制模型僅使用這套提取的概念進(jìn)行預(yù)測(cè)。

團(tuán)隊(duì)在過(guò)程中限制了模型每次預(yù)測(cè)最多只能使用五個(gè)概念，迫使模型篩選出最關(guān)鍵的幾個(gè)特征，使生成的解釋既精煉又直接相關(guān)。

測(cè)試中，鳥(niǎo)類(lèi)物種識(shí)別和皮膚病變?cè)\斷等任務(wù)結(jié)果均表明，新方法在提供更精確、與圖像更貼合的概念解釋的同時(shí)，也取得了比現(xiàn)有概念瓶頸模型更高的預(yù)測(cè)準(zhǔn)確率。這意味著，該方法不僅能更好地“解讀”模型的思考過(guò)程，還能維持更優(yōu)的性能。

團(tuán)隊(duì)未來(lái)的工作還將致力于解決信息泄露等問(wèn)題，并探索利用更強(qiáng)大的多模態(tài)大模型來(lái)標(biāo)注更大規(guī)模的數(shù)據(jù)，以進(jìn)一步提升方法的效能。

（來(lái)源：科技日?qǐng)?bào)）