ICMLApr, 2019

基于学习原型的时间序列数据深度分类解释

PDF
TL;DR本文介绍了使用深度学习模型中的潜在空间数据来学习代表性的原型用于决策过程的阐释，重点关注对二维时间序列数据的分类，如检测临床心动过缓、早产儿呼吸暂停和语音识别，并通过优化原型多样性和稳健性，提高了已有模型的性能。
explainable aideep learningprototypesclassificationtime-series data
发现论文，激发创造
  • 原型在时间序列异常检测中的解释作用

    该论文提出了一种名为 ProtoAD 的模型，使用基于示例的原型来解释深度模型中的正常模式状态，旨在提高深度模型的透明度和可理解性，进一步提高异常检测的精度和性能。

    Jul, 2023

  • 深度学习通过原型进行基于案例的推理：一种解释其预测的神经网络

    本文中，我们提出一种新的深度学习网络架构，其中包含自编码器和原型层，这种网络可以自然地解释每个预测的原因，并且能够进行分类。

    Oct, 2017

  • 通过原型概念解释验证深度模型决策的 (非) 常规理解

    本文提出了一个基于概念的后续解释 AI 框架，通过原型模型不仅传达了每个实例的决策策略 (局部)，而且还传达了整体的类别决策策略 (全局)，从而降低了对人类长期评估的依赖，并使模型验证成为一个直观且可解释的工具。

    Nov, 2023

  • 借助原型实现可解释和可控的序列学习

    提出了 ProSeNet，该方法利用几个基准示例作为原型，从案例推理中获取自然解释，可以提供高准确度和可解释性，可用于各种应用领域中的序列建模和预测诊断。

    Jul, 2019

  • 深度学习用于可解释的自然语言处理

    利用原型学习方法和自然语言处理，我们提出了一种学习加权相似度度量的方法，增强了相似度计算，并提出了一个可提取预测相关单词的解释机制来改进预测性能和解释质量。

    Oct, 2023

  • 时间序列深度模型解释：一份综述

    本篇论文介绍了基于反向传播、扰动和近似等后处理方法的时间序列模型后解释的广泛范围。我们提出了内在可解释模型的新颖类别，并介绍了用于说明的常见评估指标及时间序列可解释性问题未来研究的方向。

    May, 2023

  • 时间序列分析的深度学习

    本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。

    Jan, 2017

  • 可解释的医学图像分类利用原型学习和特权信息

    探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

    Oct, 2023

  • ProtoTEx: 用原型张量解释模型决策

    ProtoTEx 是一种基于原型网络的新型白盒 NLP 分类体系结构，其通过原型张量解释模型决策，可在处理没有代表性特征的类别时有效地处理，可精准检测网络新闻中的宣传，并通过原型解释帮助非专业人士更好地识别宣传。

    Apr, 2022

  • 多元时间序列分类：深度学习方法

    本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

    Jul, 2023