2018最佳GAN论文回顾(上)( 七 )_摘要：受Reddit网站上讨论区的启发

干预测量一组单元U对类c的因果效应

干预—在这一点上，我们已经确定了相关的类。现在，我们试图为每个类找到最好的分离方式。这意味着，一方面我们抑制非受迫单元，希望目标类将从生成的图像上消失。另一方面，我们扩大了因果单元对生成图像的影响。这样我们就可以了解到他们对目标类c的存在有多大的贡献。最后，我们从两个图像中分割出类c并进行对比。语义图之间的一致性越小越好。这意味着在一个图像上，我们完全“排除”了树木的影响，而第二个图像只包含一片树林。

结果：

a）Progressive GAN生成的教堂图像b）根据所给的预训练的Progressive GAN ，我们确定了负责生成“树”类的单元c）我们可以阻止那些单元“删除”图像中的树d）扩大图像中树的密度。

上述结果表明，我们对网络内部的机制有了很好的理解。这些见解可以帮助我们改善网络行为。了解图像的哪些特征来自于神经网络的哪个部分，对于理解说明、商业应用和进一步的研究都是非常有价值的。