我们提出了一种选择性解释的特征归因方法，它检测出深度学习模型产生低质量解释的情况，并使用初始猜测解释技术改善这些解释，从而使实践者能够在提供初始猜测的解释之间进行选择，从而弥补了深度学习模型及其高质量对应物之间的差距。

May, 2024

基于模拟的方法对于统计推断发展迅速，过去 50 年随着技术进步，如今它又迎来一次革命，利用神经网络、优化库和图形处理器进行学习数据和推断目标之间复杂映射，从而快速实现推断。本文回顾了最近在点估计、近似贝叶斯推断、自动构建摘要统计以及似然函数近似等方面取得的进展。综述还包括可用的软件，并通过一个简单实例展示了可用于快速推断的工具及其比起最先进的马尔可夫链蒙特卡洛方法所带来的好处。文章最后总结了相关主题，展望了未来的研究方向。

Apr, 2024

介绍了一种名为 REAL-X 的时间差异化的解释方法，通过这种方法可以学习一个预测模型来近似任何输入子集的真实数据生成分布。

Mar, 2021

提出了一种基于共享动态的时序数据因果发现新框架，能够通过一个单一的学习模型有效识别不同样本之间的因果关系，从而在因果发现性能等方面取得了显著的提升，并可处理噪声和隐藏混淆等问题。

Jun, 2020

在神经网络文本分类模型中解释 Shapley Values 的流行度越来越高，但由于模型评估数量过多，计算它们对于大型预训练模型来说是禁止的。为了权衡稳定性和效率，我们开发了一种分散模型，直接预测每个输入特征的 Shapley Value，实验结果表明，与传统方法相比，我们的分散模型以高达 60 倍的速度准确地估计 Shapley 值。

May, 2023

该论文提出了通过对数据集和核结构对进行分别设计和训练的自动编码特征提取网络来实现核参数推断之间的摊销，从而使得基于高斯过程的学习得以快速实现。

Jun, 2023

本文介绍了摊销优化的关键设计选择和现有应用。摊销优化方法利用学习来预测这些设置中问题的解决方案，以实现类似问题实例之间的共享结构。

Feb, 2022

本文提出了一种基于随机控制的方法来生成序列 ARs, 支持模型无关性和针对多个数据点的计算，可以实现多个 Desiderata，通过实际数据集的测试证明了方法的效果。

Jun, 2021

研究了 Bayesian 推断中一种新的方法 —— 摊销贝叶斯推断的鲁棒性，提出了一种基于 Fisher 信息的正则化方案，实验结果表明该方案可以提高模型对干扰攻击的抵抗力。

May, 2023

近年来，神经网络展示出了从原始数据中识别复杂模式和关系的卓越能力。然而，理解这些黑盒模型的内部机制仍具挑战性，但对于高风险决策至关重要。我们的研究通过调查解释的基本和分布行为来解决这种困惑。此外，通过全面的模拟研究，我们展示了常见缩放和编码技术对解释质量的影响，评估它们在不同效应大小中的功效，并展示了基于排序的评估指标的不一致性的来源。

Apr, 2024