Oct, 2022

移动分析中因果推断的可解释性和鲁棒性机器学习视角

PDF
TL;DR本文总结了基于因果推论对深度学习进行的可解释性和稳健性研究的最新进展，强调了交通运输领域深度学习基础的可解释性和稳健性问题，并提出发展因果学习模型应用于移动性分析的机遇。
发现论文，激发创造
  • 走向可解释的移动数据科学人工智能

    本文介绍了我们关于可解释的移动数据科学 XAI 方案的持续研究成果，重点是通过使用时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型，如车辆和船舶的 GPS 轨迹，并回顾了现有的 GeoXAI 研究，主张采用以人为本的方法进行全面的解释，并概述了通向移动数据科学的 XAI 研究路径。

    Jul, 2023

  • 机器学习在食品加工、农业和卫生应用中的可解释性与可访问性

    本文回顾了在全球问题背景下，针对农业、食品加工和医疗健康等领域的机器学习可解释性和可访问性方面所做的工作，涵盖了科学和数学解释，统计解释和部分语义解释等多个方面

    Nov, 2022

  • 因果学习：可解释机器学习的新视角

    本文概述了因果分析的基本背景和关键概念，总结了最近的可解释机器学习的因果方法，讨论了评估方法质量和因果可解释性中的开放问题。

    Jun, 2020

  • 走向可信的多模式运动预测：评估和可解释性

    该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷，提出了一个新的全面评估框架，并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时，提出了附加在多模态运动预测模型上的意图预测层，以提升输出的可解释性和生成更平衡的结果。最后，通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。

    Oct, 2022

  • 可解释的人工智能：理解、可视化和解释深度学习模型

    基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

    Aug, 2017

  • 智能车联网：一种机器学习框架

    本文探讨了无线网络设计所面临的新挑战以及应对高动态车联网环境的方法，提出了机器学习作为应对挑战的有效方法，并探讨了强化学习在管理网络资源方面的应用。

    Apr, 2018

  • 使用人工智能预防车祸

    通过使用机器学习技术，结合交通事故和气象数据，该研究旨在预测交通事故的严重程度并减少交通事故。

    Jun, 2022

  • 可解释人工智能（XAI）综述：面向医疗 XAI

    这篇论文概述了解释机器学习算法决策的不同方法，并将它们应用到医学研究中，以提高医生对这些算法的信任度。

    Jul, 2019

  • 智能交通系统中生成式人工智能综述

    智能交通系统中的生成人工智能技术在处理不同类型任务的关键问题方面发挥了至关重要的作用，包括交通感知、交通预测、交通仿真和交通决策，并总结了在将生成人工智能应用于智能交通系统时面临的挑战和基于不同应用场景的未来研究方向。

    Dec, 2023

  • 可解释式目标导向车辆轨迹预测模型

    自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

    Aug, 2023