流式弱次模性：即时解释神经网络

NIPSMar, 2017

流式弱次模性：即时解释神经网络

Streaming Weak Submodularity: Interpreting Neural Networks on the Fly

Ethan R. Elenberg, Alexandros G. Dimakis, Moran Feldman, Amin Karbasi

TL;DR本文提出了一种基于组合最大化问题的高效流式解释黑匣子分类器的算法，并扩展了 Badanidiyuru 等人的思路，针对基于随机流的子模弱目标函数提供了一个常数近似保证，并证明了在最坏情况下不存在这样的算法，我们的算法比 Ribeiro 等人的 LIME 框架快 $10$ 倍。

Abstract

In many machine learning applications, it is important to explain the predictions of a black-box classifier. For example, why does a deep neural network assign an image to a particular class? We cast interpretability

machine learning black-box classifiers interpretability streaming algorithm combinatorial maximization

发现论文，激发创造

流式非单调子模最大化：实时个性化视频摘要

本文提出了第一个高效的单遍流式计算算法 Streaming Local Search，用于在独立系统和多重背包约束下，同时最大化非单调子模函数，解决实时提取和总结大规模视频流的问题。

Jun, 2017

在 Matroid 约束下流式子模最大化中的公平性

论文研究流式子模最大化算法中公平性的应用，提出了针对劣模最大化算法的公平机器学习算法，包括在鸽子数量受限的情况下的流式算法以及无法实现的结果。最后，通过社会网络中的最大覆盖，电影推荐和样本聚类等应用的实验验证了其有效性。

May, 2023

海量数据流中子模函数最大化问题的 $1/2$ 之外近似算法

该论文研究设计了一种流式亚模量最大化算法 SALSA，用于提取数据多样性、非参数学习、核机器、聚类等方面的大规模数据集的代表性摘要，取得了比现有算法更好的近似效果。

Aug, 2018

做更少，得更多：带子采样的流式子模最大化

该论文提出了首个一次遍历的流算法，用于求解子模最大化问题，采用数据采样，能够在各种情况下获得最紧密的逼近保证，同时具有最小的内存占用和对函数评估数量的最低要求，试验表明该算法在进行大规模机器学习问题的子模最大化时能够将其表现提高 50 倍以上

Feb, 2018

随机化的威力：大规模数据集上的分布式子模最大化

该论文提出了一个简单的分布式算法来解决在机器学习中的受限次模最大化问题，该算法可以并行运行并且提供可证明的常数近似保证，即使在单个机器上无法解决的问题也可以通过该算法高效地解决。

Feb, 2015

滑动窗口上的次模优化

本文在数据流的上下文中，提供了一种基于滑动窗口模型的次模优化的近似算法，该算法维护了一个解决方案，考虑的仅是最后 $W$ 个元素，使用空间多项式对元素值的传播速度的对数级别，线性大小的解决方案，并保持高品质的解，实际表现远超理论界限。

Oct, 2016

通过架构约束增强神经网络的可解释性

通过添加稀疏加性子网络、投影追踪以及平滑函数逼近等结构约束，本文提出了一种可解释的神经网络模型，具有良好的预测性能与模型解释性，同时导出了所提模型的必要和充分可识别条件，采用一种基于 backpropagation 算法计算导数和 Cayley 变换维护投影正交性的改进型 mini-batch 梯度下降方法同时估计多个参数，并在六个不同场景下通过与其他多种方法的比较显示所提出的 xNN 模型保持了追求高预测准确率的灵活性的同时实现了改善的可解释性，并展示了一个真实数据应用案例。

Jan, 2019

流式自适应次模最大化

本文介绍了一种新的半策略次模函数类，针对流式问题，开发了一系列有效的算法来最大化其性能。

Aug, 2022

通过对抗鲁棒优化学习可解释的特征

本文提出了一种改进神经网络分类器特征可解释性的方法，将对抗鲁棒性引入模型训练过程，并通过评估真实边界框和可视化方法量化特征可解释性，在 NIH ChestX-ray14 数据集上进行了实验，并展示了对抗鲁棒优化方法在定量和定性上提高了特征可解释性。

May, 2019

从数据流中公平且代表性地选择子集

本研究旨在探究在数据流中从每个数据组中提取一定数量的代表项目的问题，并提出了一种公正的约束模型和有效的解决方案。该解决方案在最大化覆盖面和个性化推荐方面具有实际应用和较高的性能。

Oct, 2020