Sep, 2020

通过潜在表示分析的深度透明预测

PDF
TL;DR通过提取 Deep Neural Networks 中的潜在信息来获取简洁的表示形式，并实现有效、统一的分析以进行预测，从而结合透明度和高预测准确性的目标，提高在 healthcare 领域的可信性和个性化的问题。
deep neural networkstransparencyhealthcarelatent variablesprediction
发现论文，激发创造
  • 通过逐层相关性传递解释复杂机器学习模型的预测

    本文介绍一种基于输入变量对深度神经网络分类决策进行分解的技术，以提高其透明度和可解释性。

    Nov, 2016

  • 用户点评的可解释替代神经表示学习的评分预测方法 - 透明潜在类别建模

    通过基于评论信息的统计和可视化友好工具，构建了透明的概率模型来组织用户和产品的潜在类别，同时在评级预测任务中使用这些可解释的量作为模型输入以实现可比较的预测表现。

    Jun, 2024

  • 通过干预解释潜空间

    本研究通过使用干预机制，利用离散变分自编码器来转移预测类别，进而可视化任何隐藏层的编码信息和对应的被干预表示来揭示深度神经网络的隐含概念，并通过评估原始表示与被干预表示之间的差异来确定可改变类别的概念，从而提高模型的可解释性。我们在 CelebA 数据集上展示了我们方法的有效性，并展示了有偏差数据的各种可视化并提供不同的干预方法来揭示和更正偏见。

    Dec, 2021

  • 使用深度神经网络从 LDA 模型中学习

    本研究提出了一种使用深度神经网络预测 LDA 模型中潜在主题分布的方法，借鉴了迁移学习的思想，实现了在大大降低计算时间的同时取得较好的分类效果。

    Aug, 2015

  • 通过发现潜在领域来提升域自适应

    本文提出了一种基于深度卷积神经网络的领域自适应方法，在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果，其中引入了两个主要组件，一个是自动计算源样本分配到潜在领域的支路，另一个是利用领域成员信息对齐 CNN 内部特征表示分布的新型图层。

    May, 2018

  • 利用潜在特征进行本地解释

    本研究探讨了一种利用潜在特征产生对照解释的新方向，通过添加新特征改变分类结果的方法进行预测的解释，证明了该方法在样本丰富的数据集上产生的直观解释优于其他方法，并可作为目前最先进的解释性方法的补充。

    May, 2019

  • TransNets：学习转换以进行推荐

    本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

    Apr, 2017

  • 使用对抗神经网络学习匿名表示

    本研究探讨基于表示学习和深度神经网络的匿名化方法，介绍了一种新的训练目标，同时训练一个预测器和防止中间表征成为私有标签的预测值。该三子网络的基架对应输入到表征、表征到预测的常规标签和表征到预测的私有标签。在保留有关常规标签的信息的同时，摒弃与身份有关的私人标签信息的学习表征，从而实现了有关分类与匿名化任务（手写数字和情感分析）的成功演示。

    Feb, 2018

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020

  • 深度学习的拓扑可解释性

    本研究介绍了一种利用拓扑和几何数据分析技术来推断临床和非临床文本的两个深度学习分类模型中的突出特征的方法，并通过概率度量距离获取诊断模型决策信息的稳定性来证明这一方法的可行性。

    May, 2023