学習済みモデルの知識を表現するグラフであるDEPARAを提案した。各モデルにバッチに分けたサンプルを入力して得られた特徴量を用いてグラフ空間を構築する。ノードは勾配と入力を掛け合わせて表現したattention map、エッジは得られた特徴量のコサイン類似度を用いている。このため本手法ではラベルなしで、学習済みモデルのみでグラフ表現を構築することができる。またレイヤー毎の表現も可能である。

taskonomyの画像生成タスクと同じ条件で実験を行い、taskonomyの結果と非常に近い結果を確認した。一方でラベルなしデータのみの利用、転移学習なしのため、taskonomyよりも効率的に転移性を測ることができた。また、レイヤー毎に類似と転移学習の精度を比較する実験では、DEPARAの類似度が高いほうが精度が高くなる傾向を確認した。よって、レイヤー毎の転移性確認も可能であるとわかった。