一种前馈神经网络的结构冗余性可解释评估方法

一种前馈神经网络的结构冗余性可解释评估方法，属于深度学习可解释性与模型轻量化技术领域。本发明通过量化单个神经元的输出特征对任务目标的线性可分性来衡量其任务贡献度，从而精准识别冗余神经元；然后通过可控的逐层剪枝实验和多维度指标计算，从局部层级到整个模型系统地量化冗余度。本发明首次将线性可分性度量从分类任务推广到回归场景，提出指标，作为通用的、可跨模型跨数据集对比的贡献度度量标准，评估结果具有良好的可解释性；能够自动识别冗余神经元，能够有效缓解过参数化模型的过拟合问题，显著降低模型的存储和计算开销，能够全面刻画神经网络的结构冗余特性。