CN115457365B - 一种模型的解释方法、装置、电子设备及存储介质 - Google Patents
一种模型的解释方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115457365B CN115457365B CN202211120815.4A CN202211120815A CN115457365B CN 115457365 B CN115457365 B CN 115457365B CN 202211120815 A CN202211120815 A CN 202211120815A CN 115457365 B CN115457365 B CN 115457365B
- Authority
- CN
- China
- Prior art keywords
- model
- interpretation
- attention
- attention weight
- token
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims description 51
- 230000008447 perception Effects 0.000 claims description 19
- 238000003672 processing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种模型的解释方法、装置、电子设备及存储介质,本公开涉及人工智能领域,尤其涉及深度学习领域。具体实现方案为:获取第一模型输入的图像特征对应的标记(token)向量,获取第一模型输出的模型预测结果,根据注意力权重及梯度相结合的方式,确定第一模型输入的token向量与第一模型输出的模型预测结果之间的关联关系,关联关系用于表征第一模型的可解释性。采用本公开,可以提高模型的可解释性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习领域。
背景技术
随着技术的发展,可以通过人工智能改善硬件性能,所适用的应用场景多种多样,比如涉及图像处理、视频处理、语音识别、文字识别、目标定位、无人驾驶等应用场景的硬件设计中都可以采用人工智能技术,即将模型部署于硬件中,以提高硬件的处理速度及处理准确率。
然而,该模型可以被认为黑盒模型,即:对于用户来说,该模型内部是如何工作、如何决策,以最终输出所需的预测结果,用户无法得知,导致了对模型预测结果的可解释性不高的问题。可解释性不高,进一步会导致模型的普适性差、硬件性能差等问题。
发明内容
本公开提供了一种模型的解释方法、图像处理方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种模型的解释方法,包括:
获取第一模型输入的图像特征对应的标记(token)向量;
获取所述第一模型输出的模型预测结果;
根据注意力权重及梯度相结合的方式,确定所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性。
根据本公开的另一方面,提供了一种图像处理方法,包括:
将待处理图像特征对应的token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;
其中,所述第一模型根据上述实施例的解释方法获得所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
采用所述关联关系执行如下至少之一的处理:
根据所述关联关系对所述第一模型输出的模型预测结果进行补偿处理;
根据所述关联关系对所述第一模型进行可靠性评估的处理;
根据所述关联关系对所述第一模型进行溯源的处理。
根据本公开的另一方面,提供了一种模型的解释装置,包括:
第一获取模块,用于获取第一模型输入的图像特征对应的token向量;
第二获取模块,用于获取所述第一模型输出的模型预测结果;
模型解释模块,用于根据注意力权重及梯度相结合的方式,确定所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性。
根据本公开的另一方面,提供了一种图像处理装置,包括:
第一处理模块,用于将待处理图像特征对应的token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;
其中,所述第一模型根据权利要求1-6的解释方法获得所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
第二处理模块,用于采用所述关联关系执行如下至少之一的处理:
根据所述关联关系对所述第一模型输出的模型预测结果进行补偿处理;
根据所述关联关系对所述第一模型进行可靠性评估的处理;
根据所述关联关系对所述第一模型进行溯源的处理。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
采用本公开,可以提高模型的可解释性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一分布式集群处理场景的示意图;
图2是根据本公开实施例的模型的解释方法的流程示意图;
图3是根据本公开实施例的图像处理方法的流程示意图;
图4是根据本公开实施例的应用示例中采用感知及决策相结合的方式进行模型解释的推理框架示意图;
图5是根据本公开实施例的模型的解释装置的组成结构示意图;
图6是根据本公开实施例的图像处理装置的组成结构示意图;
图7是用来实现本公开实施例的模型的解释方法/图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分,并不是限定顺序的意思,或者限定只有两个的意思,例如,第一特征和第二特征,是指代有两类/两个特征,第一特征可以为一个或多个,第二特征也可以为一个或多个。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
根据本公开的实施例,图1是根据本公开实施例的一分布式集群处理场景的示意图,该分布式集群系统为集群系统的一个示例,示例性的描述了可以利用该分布式集群系统进行模型解释,本公开不限于单机或多机上的模型的解释,采用分布式的处理可以进一步提高模型解释的精度。如图1所示,在该分布式集群系统中包括多个节点(如服务器集群101、服务器102、服务器集群103、服务器104、服务器105,服务器105还可以连接电子设备,如手机1051及台式机1052),多个节点间,以及多个节点与连接的电子设备间可以共同执行一个或多个模型解释任务。可选地,该分布式集群系统中的多个节点可以采用数据并行的关系执行模型的解释任务。可选地,在每一轮模型解释任务执行完成后,多个节点之间都可以进行数据交换(如数据同步)。
根据本公开的实施例,提供了一种模型的解释方法,图2是根据本公开实施例的模型的解释方法的流程示意图,该方法可以应用于模型的解释装置,例如,该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下,可以实现模型的解释等等处理。其中,终端可以为用户设备(UE,User Equipment)、移动设备、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示,该方法应用于图1所示的集群系统中的任一节点或电子设备(手机或台式机等)中,包括:
S201、获取第一模型输入的图像特征对应的token向量。
S202、获取第一模型输出的模型预测结果。
S203、根据注意力权重及梯度相结合的方式,确定第一模型输入的该token向量与第一模型输出的模型预测结果之间的关联关系,关联关系用于表征第一模型的可解释性。
S201-S203的一示例中,第一模型可以为变换(Transformer)模型、包括自注意力机制的卷积网络模型、包括自注意力机制的循环网络模型等。图像特征对应的token向量也可以称为token级别的向量,可以将图片分成无重叠的固定大小的切片(Patch),然后将每个Patch拉成一维向量,记为CLS序列,其中,n个Patch表示输入第一模型的CLS序列的长度(比如,输入图片是224x224,每个Patch大小是16x16,则n是196)。为了方便后续的模型预测处理(比如第一模型为图像分类模型,则模型用于图像分类的预测),引入了该可学习的token级别的向量(Class token),该token级别的向量可以插入到该CLS序列的开始位置。根据注意力权重(用于模型解释的感知过程)及梯度(用于模型解释的决策过程)相结合的方式确定出第一模型输入的该token向量与第一模型输出的模型预测结果之间的关联关系,从而,可以根据该关联关系得到第一模型的可解释性,比如,将用于模型解释的感知过程得到的第一解释结果和用于模型解释的决策过程得到的第二解释结果进行点乘运算,得到的最终解释结果,可以反映该第一模型的可解释性。
采用本公开,可以获取第一模型输入的图像特征对应的token向量,以及获取第一模型输出的模型预测结果,根据注意力权重及梯度相结合的方式,确定第一模型输入的该token向量与第一模型输出的该模型预测结果之间的关联关系(该关联关系用于表征第一模型的可解释性),由于能确定第一模型输入和输出之间的关联关系,从而,对于用户来说,明确了该第一模型(可以是待训练的模型,也可以是已经训练好的模型)的内部是如何工作、如何决策,以最终输出所需的模型预测结果,增强了对模型预测结果的可解释性,可解释性得到增强后,还可以进一步提高该第一模型在多个应用场景的普适性、以及硬件性能(如处理速度、处理精度)等。
一实施方式中,根据注意力权重及梯度相结合的方式,确定第一模型输入的该token向量与第一模型输出的模型预测结果之间的关联关系,根据注意力权重进行模型解释的感知,得到第一解释结果,根据梯度进行模型解释的决策,得到第二解释结果。根据第一解释结果和第二解释结果,确定关联关系。
考虑到用户不清楚模型内部的工作原理(比如,模型内部如何工作、如何决策,以最终输出所需的预测结果),导致可解释性差。而模型预测结果不仅需要考虑准确性,还要考虑可解释性,通过可解释性,不仅用户可以更信赖模型预测结果,还可以基于解释结果对模型预测结果进行补偿,对模型参数进行追溯等等,从而,相辅相成的进一步提高了模型的性能。采用本实施方式,可以采用通过注意力权重和梯度的结合方式(即根据注意力权重进行模型解释的感知+根据梯度进行模型解释的决策),增强对于模型预测结果的可解释性,比如,通过分析模型输入与输出的关联关系可以得到图像特征对应不同token的不同贡献度,从而确定采用哪个图像特征表示进行最后的决策更好。
一实施方式中,根据注意力权重进行模型解释的感知,得到第一解释结果,包括如下至少两种方案:
1)方案一:
针对第一模型中的自注意力模块,将该token向量以第一注意力权重(该第一注意力权重可以为针对不同token向量的权重)进行加权处理,得到基于token向量的关联关系,根据基于token向量的关联关系进行模型解释的感知,得到第一解释结果。
2)方案二:
针对第一模型中的自注意力模块,将该token向量以第二注意力权重(该第二注意力权重可以为针对不同注意力头的权重)进行加权处理,得到基于注意力头的关联关系,根据基于注意力头的关联关系进行模型解释的感知,得到第一解释结果。
采用本实施方式,针对自注意力模块,可以采用基于特征token的估计方式或者基于注意力头的估计方式,得到不同的第一解释结果,不同的第一解释结果中的至少一个可以与第二解释结果进行点乘运算,得到最终的解释结果。
一实施方式中,根据梯度进行模型解释的决策,得到第二解释结果,包括:对注意力权重求解积分梯度,得到注意力权重的梯度,根据注意力权重的梯度进行模型解释的决策,得到第二解释结果。
采用本实施方式,有别于直接对注意力权重求解梯度,而是采用积分梯度进行解释的决策,可以降低干扰,提高解释的准确性。
一实施方式中,第一模型为训练好的模型、或待训练的模型。
采用本实施方式,兼容两类可解释性,其一为事后可解释性(针对训练好的模型,模型的可解释性存在于训练模型之后),其二为事前可解释性(针对待训练的模型或称训练前的模型,模型的可解释性存在于训练模型之前,是内置于模型内部的),通过可解释性得出的决策能够帮助用户理解决策原因,用户能够从感知上理解决策背后的模型内部运行机理(比如,模型内部是如何工作的,为什么模型是这样的输出,模型依据什么做的决策等),从而可以一定程度避免某些不可控制的风险发生,提高了模型的可靠性。
根据本公开的实施例,提供了一种图像处理方法,图3是根据本公开实施例的模型的图像处理方法的流程示意图,该方法可以应用于图像处理装置,例如,该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下,可以实现模型的解释等等处理。其中,终端可以为用户设备(UE,User Equipment)、移动设备、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,该方法应用于图1所示的集群系统中的任一节点或电子设备(手机或台式机等)中,包括:
S301、将待处理图像特征对应的token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;
其中,该第一模型根据上述模型的解释方法获得第一模型输入的该token向量与第一模型输出的模型预测结果之间的关联关系(关联关系用于表征所述第一模型的可解释性)。
S302、采用关联关系执行如下至少之一的处理:
根据关联关系对第一模型输出的模型预测结果进行补偿处理;
根据关联关系对第一模型进行可靠性评估的处理;
根据关联关系对第一模型进行溯源的处理。
S301-S302的一示例中,上述模型的解释方法适用的场景不限于图像处理,还可以包括:图像视频理解、语音识别、文字理解与生成、无人驾驶场景识别、医疗影像分析与诊断等。其中,根据关联关系对第一模型输出的模型预测结果进行补偿处理,可以提高模型预测结果的准确性;根据关联关系对第一模型进行可靠性评估的处理,提升用户对模型的信任程度,增强模型端到端的可解释性;根据关联关系对第一模型进行溯源的处理,可以在模型部署到硬件后进行分析,从而基于分析得到的解释结果为模型的溯源提供了可能,增加了数据支持。将模型的解释方法应用于各类图像、视频、语音、文字、无人驾驶、医疗等参加分钟,可以进一步提高模型的性能。
需要指出的是,本公开以第一模型为Transformer模型进行示例,Transformer模型是由自注意力机制组成的网络结构,可以替代传统的卷积神经网络、循环神经网络等结构,作为一种深度自注意力机制的变换网络,具备强大的缩放性、学习长距离等优势,Transformer模型及其变体在自然语言处理领域的理解、生成任务,以及三大图像问题—分类、检测和分割上,都取得了不错的效果。视觉与语言预训练、图像超分、视频修复和视频目标追踪等任务也正在成为Transformer模型的热门方向,在其结构的基础上进行应用和设计,也都取得了不错的成绩。
然而,用户并不理解Transformer模型到底是提取了什么特征来做最后的决策,它作为一种深度学习模型,同样也被看做是一个黑盒模型。而这个黑盒子内部是如何工作的,它为什么会是这样的输出,又是依据什么做的决策,用户无法得知。需要增强Transformer模型的可解释性,以明确不同特征token在各个应用场景上的贡献度,提高模型性能。
针对Transformer模型的可解释性,包括如下基于梯度回传的方法,向前推导的方法和两种方法的结合:
(1)以平滑渐变(SmoothGrad)、初始化渐变(IntGrad)为代表的基于梯度回传的方法,对可微分模型进行解释,直接利用特定输出条件下对输入的梯度信息来估计模型输出和输入之间的关系,以此来计算输入特征的重要度。针对这种利用梯度回传来计算输入特征重要度的方法,由于基于自注意力机制的模型通常都较深,且每个注意力单元中存在很多类似线性整流函数(ReLU)等非线性的部分,梯度在回传过程中会引入很大的噪声,导致在输出特征上的结果不佳。
(2)以定位路径问题(LRP)、注意力转移(Attention Rollout)为代表的向前推导的方法,以输入为基准,依照模型的推理过程向前推导方法,不仅较为繁琐,而且无法在不同的输出类别上进行区分。考虑到一张图片或一段文字可能包含多个个体,从而,难以分辨模型在判断不同类别时在输入特征上的差异性。
(3)以一般注意(Generic Attention)、变换属性(Transformer Attribution)和根据CAM热力图得到的注意力(Attention)CAM为代表的两种方法的结合,即将梯度与模型中间变量相结合的针对不同输出类别的输入特征贡献度的量化方法,是将梯度作为注意力分布的权重,再结合推理过程中这些注意力的叠加,对带权重的注意力分布进行操作。但是这种叠加方式由于与模型的实际推理过程存在一些差异,可能会导致重要的输入特征在叠加过程中被遗漏,导致解释结果可信度降低。
本应用示例中,采用注意力权重和梯度相结合的方式,利用信息论的链式法则将Transformer模型推理过程的解释分为两步:基于注意力进行解释的感知过程和基于梯度进行解释的决策过程,如图4所示,图4中包括:Transformer模型401,以及针对Transformer模型的解释过程402(即根据注意力权重进行模型解释的感知+根据梯度进行模型解释的决策),其中,Lx表示L个(L为大于1的整数)自注意力模块,CLS是图像特征token后的得到的token向量构成的序列,Lx中包括:多层感知器(Multi-Layer Perceptron,MLP)、层归一化(LayerNormalization,LN),多头自注意力(Multi-head self-attention,MSA)机制,其中,通过MSA机制把尺寸为“高度(H)*宽度(W)*类别(C)”的特征图给分成多个块(窗口),每个块(窗口)进行多头注意力的处理。
1.基于链式规则的Transformer模型的解释框架:
链式法则用于探究模型决策过程中每个token的贡献度。假设第i个token被独立地表示为所有的token一起组成了一组新的基底/>利用损失函数Lc对每个token的梯度来表示这个token的贡献度,即/>由偏导数的链式规则,可以得到:
其中ZCLS是最后注意力层的[CLS]token。用Fc近似,[CLS]token中每个输入token的贡献度用P(L)表示,那么,对第i个token可以得到:
则对于所有token,每个token的贡献度可以表示为Fc⊙P(L),换言之,可以采用上述链式法则的原理拆出上述Transformer模型的解释框架中的2个解释过程(即根据注意力权重进行模型解释的感知+根据梯度进行模型解释的决策),然后将上述2个解释过程得到的解释结果,即将第一解释结果和第二解释结果进行点乘运算后,得到最终的解释结果(以图形分类而言,即为针对图形分类的最终解释结果)。
2.基于注意力进行解释的感知过程P(L):
自注意力模块是Transformer模型中非常重要的一个组成部分。与卷积网络或循环网络不同,自注意力模块通过模型可训练参数得到注意力权重来对输入进行加权。因此,针对不同输入所得到的注意力权重从某种程度上可以反应不同特征的贡献度。考虑到深度神经网络的决策过程首先是得到一个很好的表示,然后利用这个表示来做最后的决策,因此,可以利用注意力权重来分析这个表示在学习的部分不同特征的贡献度,包括:如下的基于token的估计及基于注意力头的估计。
一个有L个自注意力模块的Transformer模型,输入图片或文字经过预处理得到p个独立的token,可以分析在每个注意力模块l的输入和输出之间的信息传递:
其中Z(l)是模块的输出,Z(l-1)是模块的输入,A(l)是模块的自注意力权重,W(l)和是在此模块针对特征的转化。
当W(l)是单位矩阵时,可以得到Attention Rollout的递推式:
基于token的估计过程中,当W(l)是被估计为针对不同token的权重(即第一注意力权重)时,可以得到基于token的递推关系:
Atoken=[α1A.,1;…;αcA.,c;…;αpA.,p],
基于注意力头的估计过程中,当W(l)是被估计为针对不同注意力头的权重(即第二注意力权重)时,可以得到基于注意力头的递推关系:
根据递推关系,可得到:
由于P(L)表示[CLS]token中每个输入token的贡献度,从而得到
根据基于token和注意力头的递推关系,可以分别得到不同的第一解释结果P(L),分别记为以及/>
3.基于梯度进行解释的决策过程Fc:
考虑到针对大多数的Transformer变体,模型预测结果是通过最后一个注意力模块的[CLS]来进行,因此,针对决策过程的解释可以是通过对注意力权重的梯度实现,直接使用梯度可能会引入噪声,可以采用积分梯度(离散化的黎曼积分),以全黑的图像为基准,采用线性的路线得到解释结果(即第二解释结果Fc):
4.对特定输入的解释结果:
对于利用最后一个注意力模块的[CLS]来进行预测的模型,最后的解释结果可以被写成(Fc⊙P(L))0,其中下标0指代第一行的第二到最后一列。
采用本应用示例,通过上述将注意力权重和梯度相结合的方式进行模型的解释,在不同模型上经过测试,在干扰测试和分割测试上取得了不错的效果,可作为一种Transformer的可解释方法来帮助模型进一步提升性能和解释预测结果。
根据本公开的实施例,提供了一种模型的解释装置,图5是根据本公开实施例的模型的解释装置的组成结构示意图,如图5所示,模型的解释装置包括:第一获取模块501,用于获取第一模型输入的图像特征对应的token向量;第二获取模块502,用于获取所述第一模型输出的模型预测结果;模型解释模块503,用于根据注意力权重及梯度相结合的方式,确定所述第一模型输入的该token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性。
一实施方式中,模型解释模块503,用于根据所述注意力权重进行模型解释的感知,得到第一解释结果;根据所述梯度进行模型解释的决策,得到第二解释结果;根据所述第一解释结果和所述第二解释结果,确定所述关联关系。
一实施方式中,模型解释模块503,用于针对所述第一模型中的自注意力模块,将所述token向量以第一注意力权重进行加权处理,得到基于token向量的关联关系;其中,所述第一注意力权重为针对不同token向量的权重;根据所述基于token向量的关联关系进行模型解释的感知,得到所述第一解释结果。
一实施方式中,模型解释模块503,用于针对所述第一模型中的自注意力模块,将所述token向量以第二注意力权重进行加权处理,得到基于注意力头的关联关系;其中,所述第二注意力权重为针对不同注意力头的权重;根据所述基于注意力头的关联关系进行模型解释的感知,得到所述第一解释结果。
一实施方式中,模型解释模块503,用于对所述注意力权重求解积分梯度,得到注意力权重的梯度;根据所述注意力权重的梯度进行模型解释的决策,得到所述第二解释结果。
一实施方式中,所述第一模型为训练好的模型、或待训练的模型。
根据本公开的实施例,提供了一种模型的解释装置,图6是根据本公开实施例的模型的解释装置的组成结构示意图,如图6所示,模型的解释装置包括:第一处理模块601和第二处理模块602,第一处理模块601用于将待处理图像特征对应的token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;其中,所述第一模型根据上述实施例中任一解释方法获得所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
第二处理模块602,用于采用所述关联关系执行如下至少之一的处理:
根据所述关联关系对所述第一模型输出的模型预测结果进行补偿处理;
根据所述关联关系对所述第一模型进行可靠性评估的处理;
根据所述关联关系对所述第一模型进行溯源的处理。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如模型的解释方法/图形处理方法。例如,在一些实施例中,模型的解释方法/图形处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的模型的解释方法/图形处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型的解释方法/图形处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种模型的解释方法,包括:
获取第一模型输入的图像特征对应的标记token向量;
获取所述第一模型输出的模型预测结果;
根据注意力权重及梯度相结合的方式,确定所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
其中,所述根据注意力权重及梯度相结合的方式,确定所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,包括:
根据所述注意力权重进行模型解释的感知,得到第一解释结果;
根据所述梯度进行模型解释的决策,得到第二解释结果;
将所述第一解释结果和所述第二解释结果进行点乘运算,得到所述关联关系;
其中,所述根据所述注意力权重进行模型解释的感知,得到第一解释结果,包括:基于特征token的估计方式得到第一解释结果,或者基于注意力头的估计方式得到第一解释结果。
2.根据权利要求1所述的方法,其中,所述根据所述注意力权重进行模型解释的感知,得到第一解释结果,包括:
针对所述第一模型中的自注意力模块,将所述token向量以第一注意力权重进行加权处理,得到基于token向量的关联关系;其中,所述第一注意力权重为针对不同token向量的权重;
根据所述基于token向量的关联关系进行模型解释的感知,得到所述第一解释结果。
3.根据权利要求1所述的方法,其中,所述根据所述注意力权重进行模型解释的感知,得到第一解释结果,包括:
针对所述第一模型中的自注意力模块,将所述token向量以第二注意力权重进行加权处理,得到基于注意力头的关联关系;其中,所述第二注意力权重为针对不同注意力头的权重;
根据所述基于注意力头的关联关系进行模型解释的感知,得到所述第一解释结果。
4.根据权利要求1所述的方法,其中,所述根据所述梯度进行模型解释的决策,得到第二解释结果,包括:
对所述注意力权重求解积分梯度,得到注意力权重的梯度;
根据所述注意力权重的梯度进行模型解释的决策,得到所述第二解释结果。
5.根据权利要求1-4中任一项所述的方法,其中,所述第一模型为训练好的模型、或待训练的模型。
6.一种图像处理方法,所述方法包括:
将待处理图像特征对应的标记token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;
其中,所述第一模型根据权利要求1-5的解释方法获得所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
采用所述关联关系执行如下至少之一的处理:
根据所述关联关系对所述第一模型输出的模型预测结果进行补偿处理;
根据所述关联关系对所述第一模型进行可靠性评估的处理;
根据所述关联关系对所述第一模型进行溯源的处理。
7.一种模型的解释装置,包括:
第一获取模块,用于获取第一模型输入的图像特征对应的标记token向量;
第二获取模块,用于获取所述第一模型输出的模型预测结果;
模型解释模块,用于根据注意力权重及梯度相结合的方式,确定所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
所述模型解释模块,用于:
根据所述注意力权重进行模型解释的感知,得到第一解释结果;
根据所述梯度进行模型解释的决策,得到第二解释结果;
将所述第一解释结果和所述第二解释结果进行点乘运算,得到所述关联关系;
其中,所述根据所述注意力权重进行模型解释的感知,得到第一解释结果,包括:基于特征token的估计方式得到第一解释结果,或者基于注意力头的估计方式得到第一解释结果。
8.根据权利要求7所述的装置,其中,所述模型解释模块,用于:
针对所述第一模型中的自注意力模块,将所述token向量以第一注意力权重进行加权处理,得到基于token向量的关联关系;其中,所述第一注意力权重为针对不同token向量的权重;
根据所述基于token向量的关联关系进行模型解释的感知,得到所述第一解释结果。
9.根据权利要求7所述的装置,其中,所述模型解释模块,用于:
针对所述第一模型中的自注意力模块,将所述token向量以第二注意力权重进行加权处理,得到基于注意力头的关联关系;其中,所述第二注意力权重为针对不同注意力头的权重;
根据所述基于注意力头的关联关系进行模型解释的感知,得到所述第一解释结果。
10.根据权利要求7所述的装置,其中,所述模型解释模块,用于:
对所述注意力权重求解积分梯度,得到注意力权重的梯度;
根据所述注意力权重的梯度进行模型解释的决策,得到所述第二解释结果。
11.根据权利要求7-10中任一项所述的装置,其中,所述第一模型为训练好的模型、或待训练的模型。
12.一种图像处理装置,所述装置包括:
第一处理模块,用于将待处理图像特征对应的标记token向量输入第一模型,执行包括图像分类、图像识别、图像分割中的至少一种图像处理;
其中,所述第一模型根据权利要求1-5的解释方法获得所述第一模型输入的所述token向量与所述第一模型输出的模型预测结果之间的关联关系,所述关联关系用于表征所述第一模型的可解释性;
第二处理模块,用于采用所述关联关系执行如下至少之一的处理:
根据所述关联关系对所述第一模型输出的模型预测结果进行补偿处理;
根据所述关联关系对所述第一模型进行可靠性评估的处理;
根据所述关联关系对所述第一模型进行溯源的处理。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120815.4A CN115457365B (zh) | 2022-09-15 | 2022-09-15 | 一种模型的解释方法、装置、电子设备及存储介质 |
US18/099,551 US20240104906A1 (en) | 2022-09-15 | 2023-01-20 | Model interpretation method, image processing method, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120815.4A CN115457365B (zh) | 2022-09-15 | 2022-09-15 | 一种模型的解释方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457365A CN115457365A (zh) | 2022-12-09 |
CN115457365B true CN115457365B (zh) | 2024-01-05 |
Family
ID=84302509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211120815.4A Active CN115457365B (zh) | 2022-09-15 | 2022-09-15 | 一种模型的解释方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240104906A1 (zh) |
CN (1) | CN115457365B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704208B (zh) * | 2023-08-04 | 2023-10-20 | 南京理工大学 | 基于特征关系的局部可解释方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861933A (zh) * | 2021-01-22 | 2021-05-28 | 中国科学院信息工程研究所 | 一种深度神经网络模型可视化解释方法及系统 |
CN113868414A (zh) * | 2021-08-25 | 2021-12-31 | 成都纬创立科技有限公司 | 一种可解释的法律争议焦点归纳方法与系统 |
CN114004340A (zh) * | 2021-11-15 | 2022-02-01 | 南开大学 | 一种基于序列变换的循环神经网络可解释性方法、系统 |
CN114021718A (zh) * | 2021-11-04 | 2022-02-08 | 北京香侬慧语科技有限责任公司 | 模型行为可解释性方法、系统、介质及设备 |
CN114511064A (zh) * | 2022-01-19 | 2022-05-17 | 北京百度网讯科技有限公司 | 神经网络模型的解释方法、装置、电子设备和存储介质 |
-
2022
- 2022-09-15 CN CN202211120815.4A patent/CN115457365B/zh active Active
-
2023
- 2023-01-20 US US18/099,551 patent/US20240104906A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861933A (zh) * | 2021-01-22 | 2021-05-28 | 中国科学院信息工程研究所 | 一种深度神经网络模型可视化解释方法及系统 |
CN113868414A (zh) * | 2021-08-25 | 2021-12-31 | 成都纬创立科技有限公司 | 一种可解释的法律争议焦点归纳方法与系统 |
CN114021718A (zh) * | 2021-11-04 | 2022-02-08 | 北京香侬慧语科技有限责任公司 | 模型行为可解释性方法、系统、介质及设备 |
CN114004340A (zh) * | 2021-11-15 | 2022-02-01 | 南开大学 | 一种基于序列变换的循环神经网络可解释性方法、系统 |
CN114511064A (zh) * | 2022-01-19 | 2022-05-17 | 北京百度网讯科技有限公司 | 神经网络模型的解释方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
Explaining Information Flow Inside Vision Transformers Using Markov Chain;Tingyi Yuan 等;XAI4Debugging@NeurIPS2021;第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115457365A (zh) | 2022-12-09 |
US20240104906A1 (en) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114550177B (zh) | 图像处理的方法、文本识别方法及装置 | |
WO2022257487A1 (zh) | 深度估计模型的训练方法, 装置, 电子设备及存储介质 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
US11893708B2 (en) | Image processing method and apparatus, device, and storage medium | |
CN113792851B (zh) | 字体生成模型训练方法、字库建立方法、装置及设备 | |
CN114820871B (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
CN113705362B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN115457365B (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
JP2023131117A (ja) | 結合感知モデルのトレーニング、結合感知方法、装置、機器および媒体 | |
CN114202648B (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113379877A (zh) | 人脸视频生成方法、装置、电子设备及存储介质 | |
CN115880506B (zh) | 图像生成方法、模型的训练方法、装置及电子设备 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN114220163B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN113963176B (zh) | 一种模型蒸馏方法、装置、电子设备及存储介质 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113221769B (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN112749707A (zh) | 利用神经网络进行目标分割的方法、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |