融合DeepLIFT以独立计算图加速归因

开发者 jmschreiber91 将 DeepLIFT 铺陈在特定 Cherimoya 模型上，以独立计算图让输入序列直接输出归因结果。该方案不再依赖通用 hooks 机制，利用 PyTorch 优化通用计算图的能力，自动融合归因计算并提升执行效率。

jmschreiber91 在 X 上解析 fused DeepLIFT 的实现思路与性能权衡。DeepLIFT 通过覆盖梯度运算并将参考值纳入归因计算来解释模型，融合版本把梯度改写直接融入计算图，避开各层 hook。据称，该方案比 hook 方案快约 7 倍，但作者也讨论了其成本特征与取舍。

融合版 DeepLIFT 将梯度覆盖与参考值归因逻辑直接编译进模型计算路径，摆脱对各层 hook 的依赖。由此去除 hook 开销后，同规模模型的归因速度提升约 7 倍；该实现依托 tangermeme。

Cherimoya v0.3.1 合入融合版 DeepLIFT，使同规模模型的归因速度提升约 7 倍。该项目还宣布将 CATv1 模型接入 proto-tools，供模型设计使用；Cherimoya 是包含约 7.5k 个 DNase+ATAC 基因组模型的框架。