提出球面原型表示，让深度模型分类更可解释且训练更简单。
An Overview of Prototype Formulations for Interpretable Deep Learning
- 用高斯分布建模球面上的视觉原型，提升可解释性。
- 在多个数据集上，球面原型性能优于传统欧氏空间方法。
- 简化训练策略下仍表现良好，适合追求效率的研究者。
原型网络为黑箱深度学习模型提供了可解释的替代方案，通过学习用于分类的视觉原型实现。本文全面分析了原型形式，比较了欧氏空间与超球面空间中的点基与概率型方法。提出 HyperPG，一种基于超球面上高斯分布的概率原型表示。在 CUB-200-2011、Stanford Cars 与 Oxford Flowers 数据集上的实验表明，超球面原型显著优于标准欧氏形式。关键发现是：超球面原型在简化训练条件下仍保持竞争力，而欧氏原型需大量超参数调优。
原文摘要 · Abstract (English)
Prototypical part networks offer interpretable alternatives to black-box deep learning models by learning visual prototypes for classification. This work provides a comprehensive analysis of prototype formulations, comparing point-based and probabilistic approaches in both Euclidean and hyperspherical latent spaces. We introduce HyperPG, a probabilistic prototype representation using Gaussian distributions on hyperspheres. Experiments on CUB-200-2011, Stanford Cars, and Oxford Flowers datasets show that hyperspherical prototypes outperform standard Euclidean formulations. Critically, hyperspherical prototypes maintain competitive performance under simplified training schemes, while Euclidean prototypes require extensive hyperparameter tuning.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。