评估隐式可解释性的后解释性（英文版）

英文标题：Evaluating Post-hoc Interpretability with Intrinsic Interpretability中文摘要：本文对基于切片图像的乳腺癌转移检测问题，将时下最流行的用于深度神经网络（DNN）可解释性的后置解释方法（Post-hoc）和内置解释方法（Intrinsic）应用于一种新的可解释性 DNN，ProtoPNet，并比较了这两种方法的兴趣图像（Attribution maps）的相似性。结果显示，除 SmoothGrad 和 Occlusion 以外，其他后置方法兴趣图像的重合度很低。英文摘要：Despite Convolutional Neural Networks having reached human-level performancein some medical tasks, their clinical use has been hindered by their lack ofinterpretability. Two major interpretability strategies have been propose