Jan, 2018

深度学习中的可视化分析：对下一步前沿的问询调查

PDF
TL;DR本文综述了可视化分析在深度学习中的角色，并且结合人类中心疑问框架，着重讨论了为什么、谁、什么、如何、何时和何地，从而全面总结了目前的研究现状，同时提出了未来研究的方向和问题。
发现论文，激发创造
  • 可解释深度学习的可视化分析

    本文回顾了与深度学习可解释性和控制相关的视觉分析、信息可视化和机器学习观点，讨论了潜在的挑战和未来研究方向。

    Apr, 2018

  • 深度神经网络的理解、可视化和解释调查

    该篇论文综述了深度神经网络在机器学习中的应用，针对一些需要保证安全性的决策（如控制系统和医疗应用），介绍了当前解释性人工智能（XAI）领域的研究，探究和解释 DNNs 内部和整体行为的方法。

    Feb, 2021

  • 机器学习模型分析的改进：可视化分析的视角

    本研究论文系统地总结了交互模型分析的三大类任务：理解、诊断和改进，旨在帮助用户高效解决实际的人工智能和数据挖掘问题，同时探讨了相关未来研究机会。

    Feb, 2017

  • 深度视觉解释简介

    研究了深度学习方法面临的可解释性困境，提出了一种叫做 “深度视觉解释” 的框架，通过可视化技术来识别和暴露深度学习模型性能行为的假设，以提高模型的可解释性和可调试性，并展示了初步的可解释性应用实验结果。

    Nov, 2017

  • 机器学习可视化分析技术综述

    通过系统审视 259 篇近 10 年来发表以及 2010 年前的代表性著作，我们构建了一个分类法，其中包括技术建模前、建模过程中以及建模后的三个一级类别；每个类别可以进一步分为具体的分析任务，并列举了一些最近具有影响力的作品。同时，我们还讨论和突出了有挑战和有前景的研究机会，这些对于视觉分析的研究者非常有用。

    Aug, 2020

  • 使用深度学习的视觉问答：调查和性能分析

    本篇综述介绍了视觉问答（VQA）任务，包括基于自然语言描述的图像识别以及机器学习模型的研究，主要探讨了近期在该领域中公布的数据集、新的深度学习模型以及基于 VQA 模型的一些应用研究和挑战。

    Aug, 2019

  • 深度视觉建模中可解释人工智能的调查：方法和度量

    本文是可解释人工智能领域的第一篇调查研究，探讨了深度视觉模型解释方法和度量标准，提供了现有技术的分类组织，阐述了不同属性的度量方法，并就当前趋势、挑战和未来方向进行了深入讨论。

    Jan, 2023

  • 走向透明化的 AI 系统：解释视觉问答模型

    该论文探讨使用引导反向传播和遮挡等可视化技术，解释视觉问答（VQA）模型的工作过程，并发现即使没有显式注意机制，VQA 模型有时也会隐含地关注图像中的相关区域和问题中的适当单词。

    Aug, 2016

  • 面向可解释的人工智能

    本文介绍了机器学习和深度学习算法在科学和工业领域中的应用及其不透明性问题，提出了解释性学习算法和可视化方法的重要性。

    Sep, 2019

  • 机器学习的视觉分析：数据视角调查

    本论文对机器学习模型的数据方面的可视化相关研究进行了系统梳理和分析，提出了五类数据类型和六种数据中心任务，并分析了 143 篇论文的相关分布，展望了未来的研究趋势和方向。

    Jul, 2023