将可解释性提升机应用于科学图像数据

May, 2023

将可解释性提升机应用于科学图像数据

Extending Explainable Boosting Machines to Scientific Image Data

Daniel Schug, Sai Yerramreddy, Rich Caruana, Craig Greenberg, Justyna P. Zwolak

TL;DR针对计算机视觉中的不透明模型解释困难的问题，同时受到科学研究对可解释的模型的需求，该研究提出了将易于解释的 EBM 模型扩展至科学图像领域的方法，并通过 Gabor 小波变换对图像数据进行处理，改进了当前图像可解释性方法。

Abstract

As the deployment of computer vision technology becomes increasingly common in applications of consequence such as medicine or science, the need for explanations of the system output has become a focus of great concern. Unfortunately, many state-of-the-art →

computer vision explainable boosting machines image data interpretable models gabor wavelet transform

发现论文，激发创造

带稀疏性的可解释增强机器 -- 在高维环境中保持可解释性

使用最小绝对收缩与选择算子（LASSO）的简单解决方案可以通过重新加权各个模型项并删除不相关的项来引入稀疏性，从而使易解释的增强机模型在高维度环境中保持透明度和相对较快的评分时间。

Nov, 2023

量子点器件测量的可解释分类技术

在物理科学中，图像数据的稳健特征表示需求日益增长，我们考虑到包括量子信息科学在内的许多领域已经广泛采用广义上的二维数据的图像获取。传统的图像特征虽然在这些情况下被广泛使用，但由于牺牲可解释性以换取高准确性，它们的使用正在迅速被基于神经网络的技术取代。为了改善这种权衡，我们提出了一种基于合成数据的技术，能够产生解释性特征。我们利用可解释性提升机 (Evidence-Based Boosting Machines, EBMs) 表明，这种方法在不牺牲准确性的前提下提供了更好的可解释性。具体而言，我们展示了在量子点调谐的背景下，这种技术能够带来有意义的益处，因为目前在该领域需要人为干预。

Feb, 2024

可解释的基于深度学习的影像生物标志物的机器学习模型用于阿尔茨海默病的诊断

机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

Aug, 2023

高效可解释的交通目的地预测：解释性提升机方法

通过评估一种高效的可加性模型，本研究在三个热门混合交通数据集上对交通预测进行了评估，结果显示该模型在预测行人目的地方面表现竞争力，对以车辆为主的数据集则提供较为适度的预测，而透明的训练模型使我们能够分析特征的重要性和相互作用，并提供预测解释的质量性示例。

Feb, 2024

可解释性提升框架在准确性、可解释性和差分隐私领域的应用

本研究证明在可解释的机器学习模型 Explainable Boosting Machines (EBMs) 中添加差分隐私可以保证隐私同时获得最先进的准确性，同时提供准确的全局和局部可解释性。

Jun, 2021

交叉特征选择消除虚假交互作用和单特征占主导地位的可解释提升机

通过使用替代交叉功能选择、集成功能和模型配置技术等新方法，改进了可解释性较强的 EBM 模型，以提高其可靠性和解释性，并在三个基准数据集上进行了验证。

Jul, 2023

理解孕妇和胎儿结果的风险因素的可解释预测模型

使用可解释性增强学习机（EBM）进行预测和风险因素的识别，可以改善孕期并发症的预测和预防，提高临床应用的潜力。