通过演化出具有局部可解释性且与模型无关的解释方法，来阐释深度卷积神经网络在图像分类中的应用

《IEEE Transactions on Emerging Topics in Computational Intelligence》：Explaining Deep Convolutional Neural Networks for Image Classification by Evolving Local Interpretable Model-Agnostic Explanations

针对多视角数据聚类中现有方法仅能分配对象至单一簇、导致重叠区域不精确性的问题，本文提出基于熵约束的低秩证据C-Means方法（MvLRECM），通过赋予对象不同簇的信任质量并引入元簇处理局部不精确性，同时结合熵加权与低秩约束提升聚类准确性，实验验证其有效性。

　　

摘要：

对多视图数据进行聚类具有挑战性，因为现有方法在结合不同视图信息时只能将对象分配到特定的（单一的）簇中。因此，它们无法表征不同簇重叠区域内对象的不精确性，从而导致较高的错误风险。在本文中，我们试图回答这样一个问题：如何表征多视图聚类中的不精确性？为此，我们提出了一种基于熵约束的多视图低秩证据-均值（MvLRECM）。所提出的MvLRECM可以被视为基于信念函数理论的证据-均值的多视图版本。在MvLRECM中，每个对象可以被允许属于具有不同支持度（信念质量）的不同簇，以表征决策时的不确定性。此外，如果一个对象位于多个单一簇的重叠区域内，它可以被分配到一个元簇中，该元簇定义为这些单一簇的并集，以表征结果中的局部不精确性。此外，还采用了熵加权和低秩约束来减少不精确性并提高准确性。通过与最先进方法的比较，基于几个玩具数据和UCI真实数据集，证明了MvLRECM的有效性。

引言

聚类已被广泛应用于金融分析、医学诊断、模式识别、图像处理和大数据等多个领域[1]、[2]、[3]。它是一种无监督分类技术，旨在在没有任何先验信息的情况下将对象分配到不同的簇中。基于不同思想的各种聚类方法已经出现[4]、[5]、[6]。然而，仅来自单个视图的信息不足以获得理想的解决方案，这也与人类的学习方式相反。多视图聚类的研究正在兴起，因为它更接近现实世界的情况。也就是说，它从不同角度描述同一个对象，并考虑来自不同视图的相关信息。然而，一些因素如环境干扰、传感器性能限制和人为错误常常会给多视图数据带来不确定性，这为多视图聚类带来了新的挑战，特别是当不同簇之间的重叠区域中的样本经常表现出局部不可区分性（也称为不精确性）时，增加了聚类错误的风险。