HyperPg - 超球面上原型高斯的可解释深度学习

本研究针对现有原型学习方法在确定性相似性评分和不可解释性方面的不足，提出了一种新颖的HyperPg模型，通过在潜在空间中的超球面上利用高斯分布来进行原型表示。研究表明，HyperPgNet能够学习与人类概念对齐的原型，提高了模型解释性，并在CUB-200-2011和Stanford Cars数据集上展现出优于其他框架的性能，且减少了人力标注的需求。