qZACH-ViT：具有递归归因稳定优化的量化感知内在解释

arXiv:2607.15421v1 公告类型：新 摘要：紧凑的医学图像分类器需要效率和可解释的证据，但这些目标通常是单独解决的。我们引入了 qZACH-ViT，它是零令牌（CLS 无令牌）、无位置 ZACH-ViT 主干的量化感知扩展，具有递归内在补丁级类证据。我们还引入了递归归因稳定优化（RASO），它对分类和归因梯度进行范数匹配，并删除与分类冲突的归因成分。我们使用每类 50 个训练图像和 10 个固定种子在 7 个 MedMNIST 数据集上评估 4 个受控条件，完成 280 次运行。所有 210 个 qZACH-ViT 检查点均转换为可执行混合精度 ONNX INT8 图，其中包含 16 个带 INT32 累积的带符号 INT8 MatMulInteger 投影。与 Adam 一起部署的混合精度 INT8 qZACH-ViT 改进了所有七个数据集上的 FP32 ZACH-ViT 基线平均值，在数据集特定的主要指标中平均配对增益为 0.0313； qZACH-ViT 与 RASO 的平均增益为 0.0368。在 964,920 次源到 INT8 测试比较中，预测一致性为 99.9751%，平均绝对主要指标变化为 0.000133，最大值为 0.004386。在 3,600 个匹配的内在映射中，平均余弦相似度为 0.999955，平均等级相关性为 0.9944，平均前 10% 重叠度为 0.9692。 ONNX 工件比源检查点小 70.0\%，并通过 1 个和 4 个线程提供 $1.41\times$ 和 $2.39\times$ 端到端 CPU 加速。在具有相同归因损失的情况下，RASO 显着降低了充分性误差并提高了 Adam 的输入噪声稳定性，但并没有主导每个预测或可解释的人工智能 (XAI) 指标。这些结果将 qZACH-ViT 确立为可部署的紧凑型本质上可解释的模型，将 RASO 确立为以稳定性为导向的目标优化程序。