Apr, 2015

可解释分类的 “或与与”，并应用于上下文感知推荐系统

PDF
TL;DR该文介绍了一种机器学习算法，用于构建包含少量析取合取式（或代数乘积的或）的分类器，并提供了两种概率模型以便形成模式集合。同时，他们也提供了两种可扩展的 MAP 推断方法，这些推断方法有助于预测有关车载上下文感知个性化推荐系统的用户行为。
发现论文，激发创造
  • 学习优化的与门的或门

    本研究使用基于优化的机器学习框架构建了 Or's of And's 模型，其中包括 Optimized OA (OOA) 和 Optimized OA with Approximations (OOAx) 两种方法，用于诊断阻塞性睡眠呼吸暂停症，这些模型不仅能够高准确性地识别睡眠暂停，同时更具解释性。

    Nov, 2015

  • 可解释的二级布尔规则学习分类

    本文提出了一种新的优化框架，用于学习准确且精简的两级布尔规则，通过线性规划松弛，块坐标下降和交替最小化等高效算法来更新优化函数，以实现准确性和可解释性之间的平衡。实验表明，我们的方法在准确性和可解释性之间提供了很好的权衡。

    Jun, 2016

  • 可解释的二级布尔规则学习用于分类

    本文提出以布尔规则为基础的分类方法，并通过基于整数规划和 Hamming 距离的算法，寻求简单分类规则和分类准确性之间的平衡，实现优于一级规则的分类效果。

    Nov, 2015

  • 贝叶斯布尔矩阵分解

    介绍了一种概率生成模型 ——OrMachine，用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器，实现了高效的并行后验推断，并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法，首次为布尔矩阵分解提供了完整的后验推断，在协同过滤中用于控制假阳性率，并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集，如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。

    Feb, 2017

  • 使用 And-Or 模型表达上下文与遮挡以进行汽车检测和观点估计

    本文提出了一种基于 And-Or 模型的学习方法，用于表示汽车检测和视点估计中的上下文和遮挡，并且是一种弱监督的学习方法。通过三个层次来表示汽车之间的上下文和遮挡配置，并且采用动态规划算法进行推理。该方法在四个汽车检测数据集和三个汽车视点估计数据集上与现有的方法相比，均获得了显著的改善结果。

    Jan, 2015

  • 通过带有动态命题的布尔公式实现全球可解释的分类器

    提出一种从表格数据中提取可立即解释的人类可理解分类器的方法，并使用 Answer Set Programming 实现，其优点是分类器长度短且容易理解，与参考方法相比准确度相近。

    Jun, 2024

  • 运用表达性布尔公式的可解释人工智能

    本研究提出并实现了一种基于表达式布尔公式的可解释人工智能分类模型，适用于信用评分和医学诊断等领域，该分类器使用原生本地优化技术进行训练。

    Jun, 2023

  • 解释贝叶斯网络分类器的符号方法

    该研究提出了一种基于将贝叶斯网络分类器编译成具有可处理和符号形式的决策函数的方法，用于解释分类器如何分类实例的两种类型解释，并提供了计算这些解释的算法。

    May, 2018

  • 物体形状建模和检测的动态与或图学习

    本文介绍了一种新的基于判别式局部模型的 And-Or 图方法来表示和识别目标形状，该方法克服了困难的背景环境和大量的形态变化，并且不需要太多的监督和初始化。

    Feb, 2015

  • Amazon 目录属性适用性的可解释潜变量模型

    通过开发 MaxMachine，一种概率潜变量模型，学习与一组特征相关联的分布式二进制表示，该模型可以提高产品属性适用性的性能表现。

    Nov, 2017