AI 词汇表
人工智能完整词典
多模态属性融合
一种解释技术，它结合了不同模态（文本、图像、音频）的特征，以识别模型预测的联合贡献。它揭示了异构数据在决策过程中的协同作用。
跨模态注意力
一种解释机制，可视化不同模态之间的注意力权重，以理解模型如何关联跨模态信息。对于解释多模态 Transformer 模型及其复杂交互至关重要。
共享潜在空间投影
一种解释方法，将不同模态的表示投影到公共空间，以分析它们的对齐和语义关系。有助于理解异构模态之间的信息整合。
多模态激活图
同时跨越多种模态的相关激活区域的组合可视化，展示不同数据类型如何为特定预测做出贡献。集成了适用于多模态架构的 Grad-CAM 等技术。
混合模态可解释性
一种解释方法，结合了每种模态的特定方法和全局技术，以提供对多模态行为的统一解释。需要将传统算法改编以适应异构架构。
模态贡献分解
一种量化每种模态对最终预测的个体贡献的技术，通常通过适用于多输入的 SHAP 等方法。允许识别特定决策中的主导模态。
模态表示对齐
一种解释方法，分析模型如何在共享嵌入空间中语义对齐不同模态的表示。对于理解跨模态模型中的跨模态翻译机制至关重要。
联合多模态显著性
传统显著性技术的扩展，用于同时识别所有有助于预测的相关区域。揭示不同数据类型之间的空间和时间相关性。
跨模态一致性指标
衡量不同模态之间解释一致性的定量指标，评估解释是否相互一致。对于验证多模态解释的可靠性至关重要。
模态交叉编码
一种解释技术，分析信息如何通过交叉编码机制影响另一种模态的处理。对于视觉语言和音频视觉模型尤其重要。
引导式模态扰动
一种通过扰动进行解释的方法，选择性地修改不同模态的输入以评估它们对预测的影响。适用于复杂多模态架构的 LIME 和 SHAP 技术。
模态图可视化
一种图形表示，展示模态之间的交互，其中节点代表数据类型，边代表它们在决策过程中的相互影响。有助于理解复杂的信息融合动态。
模态依赖性分析
一种识别模型预测中不同模态贡献之间的统计和因果依赖性的技术。对于理解多模态系统中的协同作用和冗余至关重要。
动态模态剖析
一种解释方法，追踪模态贡献在整个处理过程中的演变，揭示每种模态何时以及如何影响决策。对于多模态序列模型特别有用。
模态分解解释
一种将多模态预测分解为特定于模态的可解释组件及其交互的方法。允许对复杂系统中的决策机制进行细粒度分析。
跨模态热力图
一种二维可视化，显示不同模态感兴趣区域之间的相关性强度，便于识别重要的跨模态模式。适用于异构数据的传统热力图的改编。
加权模态重要性指标
量化每种模态相对重要性的指标，考虑其在最终预测中的协同与冗余交互作用。对于多模态架构的优化至关重要。