NIPSDec, 2015

基于博弈论的特征减少中的 Shapley 值解决假警报检测问题

PDF
TL;DR该论文提出了一种基于联盟博弈理论的模型，该模型考虑了特征之间的相互依赖关系，以确定与误报有关的显著预测因子，从而提高了分类准确性。该方法在 PhysionNet 的 MIMIC II 数据库中的模拟结果显示出卓越的性能，这项工作主要解决了重症监护室误报率问题。
false alarmintensive care unitsphysiological signalsdata mining techniquescoalition game theory
发现论文，激发创造
  • 通过深度特征统计建模降低视频监控中的误报

    通过基于深度特征的高维统计建模，以减少虚假报警的数量，提出了一种方法不可知的弱监督的 a-contrario 验证过程，并结合像素和对象级别的评估指标对六种方法和多个数据集中的序列进行了评估，实验证明该方法能够显著减少像素和对象级别上的虚假报警。

    Jul, 2023

  • 远程监督多任务学习在危重病护理中的应用

    为了减少重症监护室中的假警报，采用一种新的多任务网络结构，利用远程监督的方法通过多个相关辅助任务来降低训练所需标签的数量，并证明我们的方法在实际数据集上优于多种现有工作。

    Feb, 2018

  • 基于集合博弈理论的无监督分类数据特征排序

    本文提出了一种基于博弈理论、计算特征重要性的方法，用于无监督特征选择并消除冗余，结果表明该方法在降低冗余率的同时最大化数据信息。同时，本文还介绍了一种计算 Shapley 值的算法的近似版本，使其能够降低复杂度。

    May, 2022

  • 一种基于 Shapley 值且对回归中概念漂移具有鲁棒性的特征选择方法

    本文提出了一种新的特征选择方法，使用 Shapley 值来研究每个变量对预测的影响，以应对数据集漂移和变量关系变化的情况，并通过分析电力市场的例子进行验证。

    Apr, 2023

  • 遵循模型还是遵循数据的真实性？

    该研究论文讨论了在机器学习中解释协作游戏的 Shapley 值的应用，特别是在特征归因方面。作者提出了两种主要方法来连接机器学习模型和协同游戏，并讨论了如何在模型和数据之间进行选择。此外，他们提出了一个有效的方法来计算线性模型中 Shapley 值，并在两个实际的数据案例中研究了与特征属性相关的建模选择。

    Jun, 2020

  • 使用多臂赌博机的数据清洗中的数据 Shapley 阈值化

    通过使用阈值赌徒算法，我们提出了一种迭代方法，快速识别出具有低数据 Shapley 值的实例子集，理论上保证了所提出的方法可以准确选择有害实例。经过各种模型和数据集的实证评估表明，所提出的方法在提高计算速度的同时保持了模型性能。

    Feb, 2024

  • 提升入侵检测系统的网络安全挖掘技术

    本文解决入侵检测系统中分类器存在的问题，提出使用顺序向后搜索和信息增益进行改进的特征选择方法以及利用离散随机变量和概率质量函数将名义网络特征转换为数值型特征的方法，并组合使用已知的标准化方法来实现混合标准化方法，通过广泛的比较研究证明改进后的方法在性能上表现更好。

    Dec, 2012

  • 使用符合预测的样本高效保证安全

    此研究中，我们提出了一个结合对比预测技术和机器人 / 环境动力学模拟器的框架，用于调节警告系统，以可靠地提高机器人应用程序的安全性，并实现能够在较少的数据点下，保证误报率低于给定阈值的安全报警系统。

    Sep, 2021

  • 可解释人工智能中特征相关性量化：因果问题

    讨论了使用 Shapley 值量化特征相关性的最新研究进展，针对哪种概率分布是适用于删除特征的正确之一存在一些混淆，建议根据 Pearl 对因果关系的重大工作进行澄清，得出无条件的期望是正确的删除特征概念的结论，SHAP 软件包的部分内容受到影响，因为被用作近似条件期望的无条件期望（我们认为这是概念上正确的），促使其他人以我们认为是有缺陷的方式 “改进” SHAP。

    Oct, 2019

  • 通过因果视角对虚假相关性降低信息论偏差

    通过因果关系解释的虚假相关的条件互信息，我们提出了一种信息熵偏差测量技术，可以有效地识别基于特征的算法偏差，并设计了一种新颖的基于偏差正则化损失的去偏差框架和一种基于随机标签噪声的简单而有效的非监督去偏差技术。

    Jan, 2022