Jan, 2024

本科申请中的录取预测：一种可解释的深度学习方法

PDF
TL;DR本文提出了利用深度学习分类器解决本科招生委员会决策验证的问题，并通过引入解释性模块 LIME 对模型进行进一步的解释与分析。通过使用具有多个变量和信息的申请者数据集进行训练和测试，我们的模型在准确性上相比传统机器学习方法提升了 3.03% 的显著差距。此外，我们利用 LIME 技术展示了不同特征在招生决策中的敏感性和相对影响。
undergraduate admissionsvalidationmachine learningdeep learninginterpretability
发现论文，激发创造
  • 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

  • 解释解释器：LIME 的首个理论分析

    该文提供了 LIME 算法的首个理论分析，当函数为线性函数时，我们为可解释模型的系数导出了闭式表达式，其中这些系数与被解释函数的梯度成正比，但分析也揭示了 LIME 在选择参数不当时可能会错过重要的特征。

    Jan, 2020

  • 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

  • 文本数据中 LIME 的分析

    本文对 LIME 在文本数据上的使用进行了首次理论分析，发现 LIME 能够对简单模型（决策树和线性模型）提供有意义的解释。

    Oct, 2020

  • 工作预测：从深度神经网络模型到应用

    本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。

    Dec, 2019

  • 可解释的低资源法律裁决

    该研究利用深度学习模型解决了商标法中的混淆风险问题，并介绍了一种模型无关的可解释中间层和弱监督学习策略，这对于高风险应用领域非常有效。

    Jan, 2022

  • 为什么我应该信任你？": 解释任何分类器的预测

    本文提出了一种可解释性的机器学习算法解释技术 ——LIME，基于该技术可以在一个可解释且可靠的小规模模型内对任何分类器的预测进行解释，从而提高了可信度和可理解性，实现了对于信任度的估计及诸多信任场景的适用性。

    Feb, 2016

  • 面向信贷借贷的可解释深度学习：案例研究

    该篇论文初步探讨了运用神经网络进行信用风险评估时，为提高模型的可解释性，已提出了一些技术。

    Nov, 2018

  • 滑坡易发性成图的可解释性不确定性：统计、机器学习和深度学习模型的比较分析

    采用不同的方法研究了统计学、机器学习和深度学习模型在预测滑坡易发性方面的可解释性，并比较了这些模型的准确性。结果表明，卷积神经网络模型在准确性方面表现最好，而极限梯度提升和支持向量机也具有强大的预测能力，优于传统的统计模型。然而，模型的解释能力因模型而异，尤其是在使用较广泛的 19 个贡献因素时。使用专门的 9 个触发因素增加了模型的可解释性，但降低了一些预测能力。

    May, 2024

  • 利用自然语言处理增强大学招生中的整体评估：基于论文和推荐信的分析

    本研究采用机器学习模型对一个高选择性的美国大学的本科入学申请数据进行实证评估，发现排除保护属性会严重降低预测入学决策的性能，而通过文本信息的加入能够部分恢复模型性能，但未能完全取代通过保护属性构建的多样性类。

    Jun, 2023