Manifold: 机器学习模型解释和诊断的模型无关框架
Manifold learning is a set of methods to find the low dimensional structure of data, allowing visualization, de-noising, and interpretation, with a focus on statistical foundations and parameter choices.
Nov, 2023
MD-Manifold 是一种新颖的医学概念和患者表示法的框架,结合了数据增强方法、概念距离度量和患者网络,将关键的医学领域知识和先前数据信息纳入医学任务中,能够更准确地反映医学知识和患者特点,并在各种下游医学数据分析任务中优于其他现有技术。
Apr, 2023
本研究提出了 Distance Learner 方法,利用 “流形假设” 作为先验知识,对于 DNN-based 分类器进行训练,结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界,并且在对抗鲁棒性任务中表现出色。
Jul, 2022
机器学习研究领域近年来取得巨大进展,深度学习模型在各种任务上表现出色。然而,这些模型往往在可解释性方面存在不足,因为它们作为不透明的 “黑盒子” 运行,使其决策背后的原理被遮蔽。为了解决这一挑战,我们的研究团队提出了一个创新框架,旨在权衡模型性能和可解释性之间的折衷。我们的方法以对高维数据的模块化操作为核心,可以进行端到端处理同时保持可解释性。通过融合多样化的解释技术和模块化数据处理,我们的框架可以揭示复杂模型的决策过程,而不损害其性能。我们广泛测试了我们的框架,并验证了其在实现计算效率和可解释性之间取得协调平衡方面的卓越成效。我们的方法通过在各个领域的部署中提供前所未有的对复杂模型内部工作原理的洞察,促进信任、透明度和问责制,满足当代机器学习应用的关键需求。
Jan, 2024
深度生成模型与流形假设之间的相互作用引起了人们的广泛关注。本文通过流形视角对 DGM 进行了首次调查,并对其进行了两个新的贡献:首先,形式上证明了高维似然函数的数值不稳定性是无法避免的;其次,发现基于自编码器的 DGM 可以被解释为近似最小化 Wasserstein 距离,这一结果有助于解释其出色的实证结果。流形视角提供了理解 DGM 的丰富视角,我们希望能够使之更加易于理解和推广。
Apr, 2024
该论文提出了一种基于标签传播模型改进流形正则化的方法,通过增强扩散图算法的概率转移矩阵来描述流形上的标签传播过程,并证明了扩展的标签传播函数在足够长时间后收敛到稳定分布,成为一个可用的分类器,实验证明了该方法的优越性。
Mar, 2024
本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势,提出了一种新颖的轨迹感知主要流形框架,用于恢复流形骨干并沿特定轨迹生成样本。此外,通过引入一个内在维度正则化项,该框架能够使流形更紧凑,并实现少样本图像生成。实验结果表明,该框架能够提取更紧凑的流形表示,提高分类准确性,并在少样本之间生成平滑的变换。
Jul, 2023
本文提出了一种称为 GP-MaL 的演化流形学习方法,它使用可解释的树来将高维数据映射到低维空间,可以有效地降低数据特征维度,且模型具有可解释性,可以用于新数据。
Feb, 2019