Podczas prezentacji przedstawię moje najnowsze wyniki badań dotyczące wykorzystania kodowania rzadkiego oraz architektury Auto-encoder do badania przestrzeni ukrytych w modelach Vision Transformer. Prezentacja ta będzie rozszerzeniem wyników prezentowanych przeze mnie w styczniu tego roku. Przypomnę, jak można dokonać dekompozycji aktywacji zadanej przestrzeni ukrytej dla modelu klasyfikacyjnego uczonego na danych obrazowych. Pokażę, jak następnie można wykorzystać otrzymaną dekompozycję do opracowania wyjaśnień lokalnych oraz globalnych. Dalej, przedstawię szereg przykładów wyjaśnień dla danych z wielkoskalowego zbioru ImageNet21K, posiłkując się opracowanym przeze mnie narzędziem. Na koniec, zaprezentuję wyniki dla liniowych klasyfikatorów (modeli white-box) wyuczonych na bazie otrzymanych interpretowalnych przestrzeni cech.