<\/p>\n\n\n\n
Wir bei Cogita sind der \u00dcberzeugung, dass die n\u00e4chste Generation der KI modularer, spezialisierter, effizienter, besser \u00fcberpr\u00fcfbar und einfacher zu debuggen sein sollte \u2013 und nicht einfach nur umfangreicher und undurchsichtiger. Um dieses Ziel zu erreichen, m\u00fcssen praktische Anwendungen mit Grundlagenforschung dar\u00fcber kombiniert werden, wie neuronale Netze Informationen darstellen und nutzen.<\/p>\n\n\n\n
Im folgenden Artikel stellt unser AI‑Leiter, Maciej Satkiewicz, \u201eSemantic Pullbacks\u201c vor: einen neuen Ansatz zum Verst\u00e4ndnis tiefer neuronaler Netze, der im Rahmen seiner Forschung bei der 314 Foundation entwickelt wurde. Diese Arbeit ist ein fr\u00fches Beispiel f\u00fcr die Br\u00fccke, die wir zwischen Grundlagenforschung und KI‑Systemen schlagen wollen, die \u00fcberpr\u00fcft, verbessert und in der Praxis eingesetzt werden k\u00f6nnen.<\/p>\n\n\n\n
Wir sind der Ansicht, dass diese Art der technischen Differenzierung f\u00fcr Europa besonders wichtig ist, da Europa m\u00f6glicherweise neue Wege beschreiten muss, anstatt ausschlie\u00dflich durch die Skalierung der in den Vereinigten Staaten und China entwickelten Ans\u00e4tze zu konkurrieren. Der Artikel ist zwar technisch gepr\u00e4gt, doch die \u00fcbergeordnete Frage ist einfach: K\u00f6nnen wir eine KI entwickeln, die nicht nur leistungsstark, sondern auch verst\u00e4ndlicher und besser kontrollierbar ist?<\/p>\n\n\n\n
Tiefe neuronale Netze sind leistungsstark, aber nach wie vor schwer zu verstehen. Wir k\u00f6nnen sie trainieren, einsetzen, feinabstimmen und ihre Leistung messen. Doch wenn wir eine einfache Frage stellen \u2013 Was genau hat die Modellentscheidung beeinflusst?<\/em> - Die Antwort ist oft \u00fcberraschend zerbrechlich. <\/p>\n\n\n\n In einem linearen Modell liegt die Erkl\u00e4rung auf der Hand. Ein Gewichtsvektor zeigt in die vom Modell bevorzugte Eingaberichtung. Wenn wir diesen Vektor visualisieren, erkennen wir, wonach das Modell sucht. Das Modell berechnet das Skalarprodukt zwischen der Eingabe und dem Gewichtsvektor, sodass der Gewichtsvektor uns direkt verr\u00e4t, welches Muster die Punktzahl erh\u00f6ht.<\/p>\n\n\n\n Die Frage ist: Wie l\u00e4sst sich diese Art der Erkl\u00e4rungen auf komplexere Modelle \u00fcbertragen?<\/p>\n\n\n\n Der \u00fcbliche Ansatz besteht darin, den Gradienten zu verwenden, da dieser bei linearen Modellen mit dem Gewichtsvektor \u00fcbereinstimmt. Es gibt jedoch einen nat\u00fcrlicheren Kandidaten \u2013 einen Pullback.<\/p>\n\n\n\n Ein Gradient gibt Auskunft dar\u00fcber, wie sich die Ausgabe bei einer infinitesimalen \u00c4nderung der Eingabe ver\u00e4ndert. Das ist ein Ma\u00df f\u00fcr die Sensitivit\u00e4t. Es ist jedoch nicht unbedingt die beste Beschreibung dessen, was das Neuron erwartet. Eine solche Beschreibung sollte uns im Idealfall Aufschluss dar\u00fcber geben, welches Muster im Eingaberaum das Neuron lokal als seine bevorzugte Richtung nutzt \u2013 \u00e4hnlich wie der Gewichtsvektor des linearen Modells.<\/p>\n\n\n\n Beachten Sie, dass sich bei einer bestimmten Eingabe viele Schichten so verhalten wie eingabebedingte affine Operatoren<\/strong>. ReLU‑Gates werden ein- und ausgeschaltet. Pooling-Schichten w\u00e4hlen Routen aus. Attention-Schichten entscheiden, welche Tokens miteinander interagieren. Normalisierungsschichten ver\u00e4ndern die lokale Geometrie der Berechnung. Bei einer gegebenen Eingabe sind all diese Schalter jedoch fest vorgegeben.<\/p>\n\n\n\n Daher kann das Netzwerk als eine eingangsabh\u00e4ngige lineare (oder \u2013 bei Vorhandensein von Vorspannungen \u2013 affine) Berechnung betrachtet werden. Die naheliegende Interpretation eines Zielneurons ist dann nicht der Gradient, sondern die punktweise Transposition dieses effektiven Operators, d.\u202fh. seine adjungierte Wirkung. Das bezeichne ich als ein R\u00fcckgang<\/strong>, inspiriert von der Differentialgeometrie.<\/p>\n\n\n\n In einem linearen Modell gilt:<\/p>\n\n\n\n score =<\/mark><\/p>\n\n\n\n Der Gewichtsvektor ist die Erkl\u00e4rung, da er die vom Modell bevorzugte Eingaberichtung darstellt.<\/p>\n\n\n\n Bei einem tiefen Netzwerk l\u00e4sst sich die Berechnung f\u00fcr eine feste Eingabe oft lokal wie folgt darstellen:<\/p>\n\n\n\n Ausgabe = W(x) x<\/mark><\/p>\n\n\n\n wobei W(x)<\/mark> ist der effektive dynamische affine Operator des Netzwerks am Eingang x<\/mark>.<\/p>\n\n\n\n W\u00e4hlen wir ein Zielneuron oder eine Klassenrichtung u, so l\u00e4sst sich dessen Wert als Skalarprodukt im Eingaberaum darstellen:<\/p>\n\n\n\n score =<\/mark><\/p>\n\n\n\n Der R\u00fccklauf wird erzielt, indem die Zielrichtung durch die Transponierte des effektiven Operators r\u00fcckw\u00e4rts transportiert wird:<\/p>\n\n\n\n pullback = W(x)^T u<\/mark><\/p>\n\n\n\n Dies ist die direkte Verallgemeinerung der Erkl\u00e4rung des linearen Modells.<\/p>\n\n\n\n Der entscheidende Punkt ist subtil, aber wichtig: Der R\u00fcckzug entspricht im Allgemeinen nicht dem Gradienten.<\/p>\n\n\n\n Der Gradient h\u00e4ngt davon ab, wie sich der effektive Operator in Abh\u00e4ngigkeit von der Eingabe ver\u00e4ndert. Er umfasst zus\u00e4tzliche Terme, die aus Gatterfunktionen, Routing-Entscheidungen, Schichtstatistiken, Attention-Maps und anderen eingabebedingten Mechanismen stammen.<\/p>\n\n\n\n Der Pullback funktioniert anders. Er fragt: Angesichts der Berechnung, die das Netzwerk bei dieser Eingabe tats\u00e4chlich durchgef\u00fchrt hat, welcher Vektor im Eingaberaum repr\u00e4sentiert die Aktivit\u00e4t dieses Zielneurons?<\/p>\n\n\n\n Das entspricht eher der urspr\u00fcnglichen Idee hinter der Visualisierung eines linearen Filters.<\/p>\n\n\n\n Ein Standard-Pullback entspricht bereits eher der dynamisch-affinen Sichtweise auf neuronale Berechnungen. Doch es gibt noch ein weiteres Problem.<\/p>\n\n\n\n Neuronale Merkmale kommen an einem einzelnen Eingangspunkt oft nicht vollst\u00e4ndig zum Ausdruck. Sie k\u00f6nnen teilweise aktiv sein, durch ein hartes Gate unterdr\u00fcckt werden oder auf mehrere schwach beitragende Komponenten verteilt sein. Eine ReLU‑Einheit kann knapp unterhalb des Schwellenwerts liegen. Eine Pooling-Schicht kann den Gro\u00dfteil des Signals \u00fcber einen Punkt leiten, w\u00e4hrend benachbarte Alternativen weiterhin semantisch relevante Informationen enthalten.<\/p>\n\n\n\n Dies deutet darauf hin, dass die aussagekr\u00e4ftige Erkl\u00e4rung nicht immer der reine punktweise Pullback ist, sondern der vor Ort erwartete Korrektur<\/strong>: der R\u00fcckzug, den wir erhalten w\u00fcrden, wenn wir eine kleine Umgebung um den Eingabewert betrachten w\u00fcrden.<\/p>\n\n\n\n Stichprobenbasierte Methoden wie beispielsweise SmoothGrad<\/a> deuten bereits auf diese Intuition hin. Sie f\u00fcgen dem Eingabesignal Rauschen hinzu, berechnen zahlreiche Gradienten und mitteln diese. Dies f\u00fchrt oft zu Erkl\u00e4rungen, die besser mit der Wahrnehmung \u00fcbereinstimmen, ist jedoch rechenintensiv und heuristisch.<\/p>\n\n\n\n Semantische Pullbacks verfolgen denselben Ansatz auf direktere Weise.<\/p>\n\n\n\n Anstatt viele gest\u00f6rte Eingaben zu untersuchen, \u00e4ndern wir lediglich die R\u00fcckw\u00e4rtsberechnung. Harte oder steile R\u00fcckw\u00e4rtsgates werden abgeschw\u00e4cht. So kann beispielsweise eine harte ReLU‑Maske im R\u00fcckw\u00e4rtsdurchlauf durch ein glattes Gate ersetzt werden. Die Vorw\u00e4rtsberechnung bleibt dabei unver\u00e4ndert. Die Vorhersage des Modells \u00e4ndert sich nicht. Lediglich die Erkl\u00e4rungsregel \u00e4ndert sich.<\/p>\n\n\n\n Damit erhalten wir ein Leichter R\u00fcckgang<\/strong>: eine handhabbare N\u00e4herung des lokal erwarteten Pullbacks.<\/p>\n\n\n\n Es gewinnt schwache, aber best\u00e4ndig beitragende Komponenten wieder, die beim standardm\u00e4\u00dfigen Backward-Pass m\u00f6glicherweise unterdr\u00fcckt werden. In der Praxis verwandelt dies oft verrauschte, fragmentierte Erkl\u00e4rungen in koh\u00e4rentere Strukturen.<\/p>\n\n\n\n Sobald wir ein Pullback-Vektorfeld haben, k\u00f6nnen wir die Eingabe leicht in die Richtung verschieben, die von einem Zielneuron lokal bevorzugt wird, und das Pullback neu berechnen. Wiederholt man dies f\u00fcr einige Schritte, erh\u00e4lt man R\u00fcckzug und Anstieg<\/strong>.<\/p>\n\n\n\n Dies entspricht dem Gradientenanstieg, allerdings mit einer entscheidenden \u00c4nderung: Wir bewegen uns entlang der R\u00fcckzugsrichtung und nicht entlang der Gradientenrichtung.<\/p>\n\n\n\n Der Unterschied ist deutlich zu erkennen. Der Gradientenanstieg in modernen Netzwerken erzeugt oft verrauschte, adversarial anmutende Muster. Der Pullback-Anstieg neigt dazu, koh\u00e4rentere, klassenabh\u00e4ngige Strukturen aufzudecken. Er verst\u00e4rkt die lokal bevorzugte Richtung des Zielneurons, anstatt lediglich die rohe Empfindlichkeit zu verst\u00e4rken.<\/p>\n\n\n\n Dadurch eignet es sich nicht nur f\u00fcr die Attribution, sondern auch f\u00fcr lokale Kontrafaktika. Wir k\u00f6nnen fragen: Was m\u00fcsste in diesem Bild deutlicher hervortreten, damit das Modell zu einer anderen Klasse tendiert? Pullback Ascent liefert eine strukturierte Antwort darauf.<\/p>\n\n\n\n In Experimenten mit vortrainierten Standard-Bildverarbeitungsmodellen, darunter konvolutionelle Architekturen und Transformer-basierte Modelle, lieferten \u201eSemantic Pullbacks\u201c Erkl\u00e4rungen, die genauer, stabiler, zielgerichteter und in wahrnehmungsbezogener Hinsicht deutlich besser abgestimmt waren als herk\u00f6mmliche, auf Gradienten basierende Referenzmodelle.<\/p>\n\n\n\n Die wichtigste Erkenntnis ist konzeptioneller Natur: Gradienten sind nicht das einzige nat\u00fcrliche R\u00fcckw\u00e4rtssignal im Deep Learning. Wenn wir verstehen wollen, was ein neuronales Netzwerk \u201esieht\u201c, sollten wir nicht nur fragen, wie sich die Ausgabe \u00e4ndert, wenn sich die Eingabe \u00e4ndert. Wir sollten vielmehr fragen, welche Richtung im Eingaberaum die aktuelle Berechnung des Netzwerks f\u00fcr das Zielneuron darstellt.<\/p>\n\n\n\n Diese Richtung scheint der \u201eSemantic Pullback\u201c zu sein.<\/p>\n\n\n\n Eines der interessantesten Ergebnisse dieser Arbeit ist, dass semantische Pullbacks mehrere Konzepte miteinander verbinden, die zuvor unabh\u00e4ngig voneinander zu sein schienen; dieser Zusammenhang ist jedoch spezifischer, als einfach nur zu sagen, dass sie alle \u201cGradienten verbessern\u201d.<\/p>\n\n\n\n Modelle im B‑Cos-Stil<\/a> entsprechen unserer Sichtweise besonders stark. Sie nutzen bereits den Standard-Pullback als Erkl\u00e4rung: Sie \u00fcbertragen die Ausgabedirektion r\u00fcckw\u00e4rts durch den effektiven linearen Operator des Netzwerks. Ihr zus\u00e4tzlicher Schritt ist architektonischer Natur und basiert auf dem Training: Sie modifizieren das Modell und f\u00fcgen Ausrichtungsziele hinzu, sodass der Standard-Pullback besser auf die Eingabe abgestimmt wird.<\/p>\n\n\n\n Semantische Pullbacks verfolgen einen anderen Ansatz. Wir \u00e4ndern das Vorw\u00e4rtsmodell nicht und nehmen auch keine Feinabstimmung daran vor. Stattdessen pr\u00fcfen wir, ob sich eine bessere Erkl\u00e4rung erzielen l\u00e4sst, indem wir einen lokal erwarteten Pullback direkt auf einem vortrainierten Standardnetzwerk berechnen.<\/p>\n\n\n\n Dadurch wird auch der Zusammenhang zu Methoden der Gradientengl\u00e4ttung wie beispielsweise SmoothGrad verdeutlicht. Diese Methoden lassen sich so interpretieren, dass sie versuchen, einen lokalen Erwartungswert zu rekonstruieren, indem sie verrauschte St\u00f6rungen abtasten und die daraus resultierenden Erkl\u00e4rungen mitteln. Semantische Pullbacks verfolgen ein \u00e4hnliches Ziel, approximieren den lokal erwarteten Pullback jedoch nicht durch stochastische Stichproben, sondern durch geschlossene, schichtweise R\u00fcckw\u00e4rtsregeln.<\/p>\n\n\n\n \u201ePullback Ascent\u201c verkn\u00fcpft die Methode mit Hervorhebung von Merkmalen<\/a>. Die Hervorhebung von Standardmerkmalen folgt Gradienten und erfordert daher in der Regel eine starke Regularisierung, um rauschbehaftete oder adversarial anmutende Muster zu vermeiden. Durch das Ersetzen der Gradientenrichtung durch die (weiche) Pullback-Richtung ergibt sich ein koh\u00e4renteres lokales Aufstiegsverfahren: Es verst\u00e4rkt die bevorzugte Richtung des Zielneurons, ohne auf aufwendige Nachbearbeitung angewiesen zu sein.<\/p>\n\n\n\n Es gibt auch einen Zusammenhang mit robuste Optimierung<\/a>. Robuste Modelle weisen oft Gradienten auf, die st\u00e4rker an der Wahrnehmung ausgerichtet sind, da ihre Entscheidungsfunktionen im Umfeld der Datenmannigfaltigkeit lokal stabiler werden. Aus der Perspektive des Pullbacks deckt sich dies mit der Vorstellung, dass Modelle an den Eingaben ausgerichtete Merkmale nicht unbedingt an einem einzelnen Punkt, sondern im lokalen Erwartungswert erlernen. Semantische Pullbacks legen diese Struktur direkt offen, ohne dass ein adversariales Training erforderlich ist.<\/p>\n\n\n\n Die \u00fcbergeordnete Botschaft lautet, dass viele erfolgreiche Erkl\u00e4rungsmethoden als unterschiedliche Versuche verstanden werden k\u00f6nnen, eine stabile Richtung im Eingaberaum wiederherzustellen, die mit einem Zielneuron, einer Klasse oder einem Merkmal assoziiert ist. Semantische Pullbacks machen dieses Objekt explizit: nicht als Gradienten, sondern als lokal erwarteten R\u00fcckzug der effektiven Berechnung des Netzwerks.<\/p>\n\n\n\n Heutzutage behandeln Deep-Learning-Bibliotheken Gradienten als Primitive erster Klasse. Sind tiefe Netzwerke jedoch dynamische affine Systeme, dann sollte neben der Ableitung auch der adjungierte Transport der Neuronenaktion verf\u00fcgbar sein. Mit anderen Worten: Der Pullback sollte neben dem Gradienten zu einem festen Bestandteil von Deep-Learning-Bibliotheken werden.<\/p>\n\n\n\n Dazu w\u00e4re keine Neugestaltung der neuronalen Netze erforderlich. In vielen Schichten stimmen Pullback und Gradient bereits \u00fcberein. F\u00fcr lineare Schichten, Faltungen und Residualverbindungen reicht der standardm\u00e4\u00dfige R\u00fcckw\u00e4rtsdurchlauf aus. Die geringen Unterschiede ergeben sich aus einem relativ kleinen Katalog von Mechanismen: Gates, Routing-Operationen, Normalisierungsschichten und Attention.<\/p>\n\n\n\n Das macht die Idee praktikabel. Semantische Pullbacks lassen sich als benutzerdefinierte R\u00fcckw\u00e4rtsregeln implementieren, w\u00e4hrend der Vorw\u00e4rtsdurchlauf unver\u00e4ndert bleibt. Wenn sich Pullbacks als besser f\u00fcr die Optimierung erweisen (siehe unten), k\u00f6nnten sie wohl sogar Gradienten g\u00e4nzlich ersetzen, da sie sich bereits als besser f\u00fcr die Erstellung von Erkl\u00e4rungen erwiesen haben!<\/p>\n\n\n\n Semantische Pullbacks bieten einen neuen Ansatz zur Erforschung und Gestaltung des Repr\u00e4sentationsraums. \u00dcber die Attribution hinaus l\u00e4sst sich \u201ePullback Ascent\u201c dazu nutzen, zu untersuchen, welche Strukturen ein Modell mit einem Neuron, einer Klasse oder einem internen Merkmal assoziiert. Dies k\u00f6nnte die Wissensgewinnung in wissenschaftlichen Bereichen, aussagekr\u00e4ftigere kontrafaktische Szenarien und Interpolationen sowie eine bessere Diagnose von Fehlermodi unterst\u00fctzen.<\/p>\n\n\n\n Diese Sichtweise l\u00e4sst sich nahtlos auf Text \u00fcbertragen. Semantische Pullbacks k\u00f6nnten dabei helfen, die einer Vorhersage zugrunde liegenden Belege zu extrahieren, argumentative Strukturen zu identifizieren und kontrafaktische Varianten zu generieren, die aufzeigen, was sich \u00e4ndern m\u00fcsste, damit ein Modell eine andere Behauptung, Einstufung oder Antwort st\u00fctzen k\u00f6nnte.<\/p>\n\n\n\n Sie k\u00f6nnten auch f\u00fcr Sprach- und multimodale Modellierung n\u00fctzlich sein. Bei Sprachmodellen k\u00f6nnte eine auf Pullback basierende Attribution die Frage stellen, welche Token, Passagen oder internen Merkmale die Vorhersage des n\u00e4chsten Tokens am st\u00e4rksten beeinflusst haben. Bei Videos und anderen sequenziellen Modalit\u00e4ten k\u00f6nnte derselbe Ansatz dabei helfen, nachzuvollziehen, welche Frames, Objekte oder zeitliche Hinweise die Fortsetzung oder Entscheidung eines Modells beeinflussen.<\/p>\n\n\n\n Die gleiche Perspektive kann auch bei der Modellbearbeitung, der Modellbereinigung und dem kontinuierlichen Lernen eine Rolle spielen. Wenn R\u00fcckverfolgungen aufzeigen, welche Komponenten koh\u00e4rente semantische Belege liefern, k\u00f6nnen sie dabei helfen, festzustellen, welche Teile eines Modells n\u00fctzlich, redundant, instabil oder f\u00fcr ein neues Verhalten verantwortlich sind.<\/p>\n\n\n\n Ein weiterer offener Ansatz ist die Ausbildung selbst. Aktuelle Arbeiten<\/a> legt nahe, dass eine \u00c4nderung des R\u00fcckw\u00e4rtsdurchlaufs das Lernen verbessern kann. Semantische Pullbacks bieten eine umfassendere Erkl\u00e4rung daf\u00fcr: Adjunkte R\u00fcckw\u00e4rtssignale k\u00f6nnten eine klarere Darstellung der Richtung liefern, die ein Neuron lokal nutzt, anstatt diese mit Effekten von Gates, Routing, Normalisierung oder Attention zu vermischen. Dies hat das Potenzial, nicht nur die Erkl\u00e4rungen, sondern auch die Generalisierung selbst zu verbessern!<\/p>\n\n\n\n Wenn Sie sich f\u00fcr semantische Pullbacks, alternative R\u00fcckw\u00e4rtsdurchl\u00e4ufe, die Interpretierbarkeit von Sprachmodellen oder pullback-basiertes Training und Anpassung interessieren, w\u00fcrden wir uns \u00fcber einen Austausch mit Ihnen freuen!<\/p>\n\n\n\n Anmerkung<\/strong>: Die in diesem Artikel beschriebene Forschungsarbeit wurde bei der 314 Foundation in Zusammenarbeit mit der American University und der AGH‑Universit\u00e4t Krakau durchgef\u00fchrt. Cogita ver\u00f6ffentlicht diesen Artikel als freundlicher Gastgeber und Partner innerhalb der breiteren KI‑Community. Der Vorabdruck des Artikels ist hier zu finden: https:\/\/arxiv.org\/abs\/2507.22832<\/a> mit der interaktiven Demo hier: https:\/\/huggingface.co\/spaces\/msat\/SemanticPullbacks<\/a>.<\/p>\n\n\n\n <\/p>","protected":false},"excerpt":{"rendered":" Intro<\/p>","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[48],"tags":[],"class_list":["post-2415","post","type-post","status-publish","format-standard","hentry","category-research"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/2415","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/comments?post=2415"}],"version-history":[{"count":18,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/2415\/revisions"}],"predecessor-version":[{"id":2438,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/2415\/revisions\/2438"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media?parent=2415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/categories?post=2415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/tags?post=2415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Das Problem mit Farbverl\u00e4ufen<\/strong><\/h2>\n\n\n\n
Pullback: das richtige Analogon zum linearen Gewichtsvektor<\/strong><\/h2>\n\n\n\n
Sanfter R\u00fcckzug: Neuronen repr\u00e4sentieren Merkmale lokal und teilweise<\/strong><\/h2>\n\n\n\n
Pullback-Ascent: St\u00e4rkung der lokal bevorzugten Richtung<\/strong><\/h2>\n\n\n\n
Empirische Best\u00e4tigung<\/strong><\/h2>\n\n\n\n
Eine einheitliche Sichtweise auf die Erkl\u00e4rbarkeit<\/strong><\/h2>\n\n\n\n
Sollten Pullbacks Gradienten ersetzen?<\/strong><\/h2>\n\n\n\n
Wie geht es weiter?<\/strong><\/h2>\n\n\n\n
Lass uns reden!<\/strong><\/h2>\n\n\n\n