Jun, 2016

LSTMVis: 递归神经网络隐藏状态动态的可视化分析工具

PDF
TL;DR本文介绍了 LSTMVIS，一种用于理解循环神经网络（尤其是长短时记忆网络）隐藏状态动态的可视化分析工具，可通过结构性注释和大数据集对状态变化进行匹配和对齐，来分析论述特定的隐藏状态特性和模式。
recurrent neural networkslong short-term memory networkslstmvishidden state dynamicsvisual analysis
发现论文，激发创造
  • 可视化和理解循环网络

    使用字符级语言模型作为可解释的测试平台，本研究分析了 LSTM 的表示、预测和错误类型，并揭示了其提高性能的长程结构依赖性的来源。

    Jun, 2015

  • 使用隐马尔可夫模型提高循环神经网络的可解释性

    本文介绍了一种利用长短时记忆模型和隐马尔科夫模型相结合的方法来提高循环神经网络的可解释性的途径，并在文本数据和医疗时间序列数据上测试了该算法，发现 LSTM 和 HMM 学习文本特征的信息互为补充。

    Nov, 2016

  • 理解循环神经网络中的隐藏记忆

    本文提出了一种基于可视化分析的方法，通过理解和比较用于自然语言处理的循环神经网络模型，包括基于各个隐藏状态单元对输入文本的响应和相似性进行 聚类和可视化，以及通过基于聚合信息的图标序列可视化分析 RNN 的隐藏状态的行为，实验结果表明该方法在领域专家的案例研究和评论中具有可用性和有效性。

    Oct, 2017

  • 应用于心电图的 LSTM 可视化技术

    本文探讨了四种可用于连续值时间序列的长短期记忆网络的可视化技术。在本文所分析的数据集上，我们发现最好的可视化技术是学习一个输入删除掩码，以最佳方式减少真实类别分数。针对来自 MIT-BIH 心律失常数据集的单导联心电图，我们展示了 LSTM 分类器的显著输入特征与医学理论的很好对齐。

    May, 2017

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • Data2Vis: 序列到序列循环神经网络自动生成数据可视化

    本文介绍了 Data2Vis：一种神经翻译模型，可自动生成给定数据集的可视化。通过将数据规范映射到声明语言（Vega-Lite）中的可视化规范，将可视化生成作为序列到序列翻译问题。为此，我们训练了一个多层基于注意力的长期短期记忆（LSTM）单元的循环神经网络（RNN）模型在可视化规范语料库上，以生成与手动创建的可视化相媲美但时间仅为其一小部分的可视化。

    Apr, 2018

  • 利用隐马尔科夫模型提高循环神经网络的可解释性

    通过将循环神经网络与隐马尔科夫模型相结合，旨在增加其可解释性，发现 LSTM 和 HMM 可以学习互补的文本特征信息。

    Jun, 2016

  • 多变量数据上可解释的 LSTM 网络探索

    本文研究 LSTM 循环神经网络，探索变量的隐藏状态来捕获多变量时间序列的不同动态，并提出了混合注意机制模型来轨迹生成目标，最终建立联合训练模型以增强准确性并在多变量数据的预测与知识提取中展现潜力。

    May, 2019

  • RetainVis: 电子病历可解释互动循环神经网络的可视化分析

    设计了 RetainVis 工具来提高基于可解释和可交互 Recurrent Neural Networks 的电子病历风险预测模型的可解释性与交互性，通过对心力衰竭和白内障症状的患者的 EMR 数据进行的实验，研究证明了该工具的有效性。

    May, 2018

  • 神经网络想象的可视化

    通过用循环神经网络 (RNN) 架构和解码器对网络的中间表示进行训练来可视化网络代表的环境状态，提出定量解释性指标并证明隐藏状态在简单任务上具有较高的可解释性，同时开发自编码器和对抗技术并展示其对解释性的好处。

    May, 2024