我试图理解Intagrated Gradients，但难以理解作者的主张（在第 3 节，第 3 页）：

对于大多数深度网络，可以选择一个基线，使得基线处的预测接近于零（$F(x') \approx 0$）。（对于图像模型，黑色图像基线确实满足此属性。）

他们在谈论一个功能$F : R^n \rightarrow [0, 1]$（在第 3 节的第 2 段中），如果您考虑深度学习分类模型，最后一层将是 softmax 层。然后，我怀疑对于图像模型，基线的预测应该接近$1/k$， 在哪里$k$是类别的数量。对于 CIFAR10 和 MNIST，这将等于$1/10$, 这不是很接近$0$. 我有一个二进制分类模型，我对应用集成梯度算法很感兴趣。可以基线输出$0.5$有问题吗？

另一个相关的问题是，为什么他们首先选择黑色图像作为基线？图像分类模型（在卷积层中）中的参数通常在$0$，并且输入也被归一化。因此，图像分类模型并不真正关心输入的符号。我的意思是我们可以将所有的训练和测试输入乘以$-1$，并且模型将等效地学习任务。我想我可以找到除黑色以外的其他中性图像。我想我们可以选择白色图像作为基线，或者标准化后基线应该全为零？