User: Guest  Login
Original title:
Rethinking Feature Attribution for Neural Network Explanation
Translated title:
Überdenken der Feature-Attribution zur Erklärung neuronaler Netze
Author:
Khakzar, Ashkan
Year:
2023
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Navab, Nassir (Prof. Dr.)
Referee:
Navab, Nassir (Prof. Dr.); Schiele, Bernt (Prof. Dr.); Carneiro, Gustavo (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
Explainable Artificial Intelligence, XAI, Explainable Machine Learning, Interpretable Machine Learning, Explainability, Interpretability, Neural Network Sparsity, Explainable Deep Learning in Medical Imaging, Medical Image Analysis
TUM classification:
MED 230; DAT 760
Abstract:
Feature attribution is arguably the predominant approach for illuminating black-box neural networks. This dissertation rethinks feature attribution by leveraging critical neural pathways, identifying input features with predictive information, and evaluating feature attribution using the neural network model. The dissertation also rethinks feature attribution for the explanation of medical imaging models.
Translated abstract:
Die Feature-Attribution ist zweifellos der dominierende Ansatz, um Black-Box Neuronale Netze zu beleuchten. In dieser Dissertation wird die Feature-Attribution neu überdacht, indem kritische neuronale Verbindungen genutzt, Input-Features mit prädiktiven Informationen identifiziert und die Feature-Attribution mit Hilfe des neuronalen Netzwerkmodells evaluiert werden. In der Dissertation wird auch die Feature-Attribution für die Erklärung von medizinischen Bildgebungsmodellen neu überdacht.
WWW:
https://mediatum.ub.tum.de/?id=1693889
Date of submission:
10.01.2023
Oral examination:
09.08.2023
File size:
14898272 bytes
Pages:
153
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230809-1693889-1-1
Last change:
17.10.2023
 BibTeX