提出了贝叶斯案例模型(BCM),它是一种Bayesian case-based reasoning(CBR)和原型分类与聚类的通用框架,使用BCM进行人类主体实验,与前继艺术相比,BCM提供的解释在参与者理解方面统计显著提高。
Mar, 2015
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
本文提出了一种名为Two Weighted Inconsistency-reduced Networks (TWINs)的新方法,用于实现从源域到目标域的数据迁移,在较为吻合但不完全相同的情况下具有更好的性能,该方法采用两个分类器网络计算目标域中每个类别的样本比例,并利用分类不一致性来提取具有鉴别性的特征。
Dec, 2018
本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法——启发式领域自适应 (HDA),并通过导出启发式表示约束,提出了一种启发式领域自适应网络 (HDAN)。实验证明,该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。
Nov, 2020
本文介绍运用深度情景案例推理与处理(Case Based Reasoning)方法让深度学习模型变得透明可解释,进一步探讨了深度学习在数据扩充和可解释AI方面的应用。
Apr, 2021
本文研究了将领域知识整合到用于过程导向的案例推理应用程序中的语义图相似性评估的Graph神经网络中的潜力,并通过一种特殊的数据表示和处理方法以及GNN的消息传递组件将知识整合到模型中,实验证明这种扩展的GNN可以提供更好的质量和较短的训练时间或同时具备两个优点。
Jun, 2021
本文提出了一种可解释的基于案例推理机制的有监督领域适应框架 - XSDA-Net,通过解释源域与目标域中相似的区域,来优化领域适应的过程和结果。
May, 2022
本文研究了从不平衡的源领域到部分目标领域的法律领域适应性问题,该领域的任务是提高针对非专业事实描述的法律判断预测。我们将此任务描述为部分和不平衡的领域适应问题,并探索了在源域中大规模的非共享类相关数据,通过分级加权适应来解决这个限制。我们在深度学习模型中嵌入了一种新的部分不平衡领域适应技术(AIDA),它可以共同借用非共享类的兄弟知识来处理源领域中的共享类并进一步将共享类的知识从源领域转移到目标领域。实验结果表明,我们的模型优于现有的算法。
Feb, 2023
本研究致力于提高深度学习模型在医学诊断中的可解释性,通过基于特定场景规则的后处理机制来优化LIME Library和LIME图像解释器生成的解释。该研究使用与脑瘤检测相关的公开数据集进行了多次实验,所提出的后启发式方法在医学诊断中取得了显著的进展,产生了更加可靠和具体的结果。
Apr, 2024
大脑疾病的精确诊断依赖于先进的医学成像技术,然而缺乏标注数据对于机器学习模型的部署造成了挑战。这项研究采用了深度学习和领域适应技术,结合了最大均值差异方法和卷积神经网络,改善了医学图像模态间的泛化能力,并通过提高诊断准确性和效率,为临床医生提供了更可靠的诊断工具。
May, 2024