通过引入一种交互感知的增强生成视角，我们重新定义特征空间重建为通过选择创建有意义的特征和控制特征集大小的嵌套过程，从而自动化特征和操作的选择以及特征交叉。通过结合统计度量，我们基于所选特征之间的相互作用强度奖励智能体，实现了对特征空间的智能和高效的探索，从而模拟人体决策过程。通过进行大量实验证实了我们提出的方法。

Sep, 2023

这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法，结合 NeuroCAD 环境实现对 CAD 模型的评估和识别，旨在开启黑匣子，并找出影响网络决策的几何特征，帮助设计师对装配工艺进行优化。

Jan, 2022

知识图谱中的特征选择方法论及其在增强机器学习模型有效性、假设生成和解释性方面的作用，强调可扩展性、准确性和可解释性的关键重要性，并倡导结合领域知识来优化选择过程。强调多目标优化和跨学科合作在推进知识图谱特征选择方面的潜力，以及这些方法对精准医疗等领域的变革性影响。同时提出未来的研究方向，包括开发可扩展、动态的特征选择算法，并整合可解释的人工智能原则以提高知识图谱驱动模型的透明度和信任度。

Jun, 2024

本文提出了一种新的自动化特征工程框架，基于性能驱动的改变图探索，通过强化学习之前的案例导出高效的探索策略以自动化特征工程，从而减少预测模型的成本。

Sep, 2017

在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。

Jul, 2023

本研究使用人工智能模型进行制造业数据分析，考虑参数排序以及媒体新闻和元数据等数据源，提高对需求预测项目的解释性和可靠性。

Apr, 2022

该论文描述了一个整合 AutoML、XAI 和合成数据生成的系统的设计，从而为用户提供了优良的用户体验设计，使他们能够利用机器学习的力量而抽象其复杂性并提供高可用性。论文中介绍了两种新型分类器，逻辑回归森林和支持向量树，用于提高模型性能，并在糖尿病数据集上实现了 96% 的准确率和调查数据集上的 93% 准确率。此外，论文还介绍了基于模型的局部解释器 MEDLEY，并将其与 LIME、Greedy 和 Parzen 进行了评估。论文还介绍了基于 LLM 的合成数据生成、基于库的数据生成和通过 GAN 增强原始数据集的方法。在合成数据方面的研究结果表明，通过 GAN 增强原始数据集是生成可靠合成数据的最佳方法，这一点通过 KS 测试、标准差和特征重要性得到了证明。作者还发现 GAN 在定量数据集上表现最好。

Dec, 2023

本文提出了一个知识图谱和门控图神经网络相结合的框架，名为知识嵌入表示学习框架，用于处理细粒度图像识别问题，并在广泛使用的 Caltech-UCSD 鸟数据集上进行了大量实验，证明了该框架超越现有的最先进方法。

Jul, 2018

该论文展示了知识图谱注入的深度学习方法，并讨论了这种方法对当前自然语言处理在医疗和教育领域中的可解释性和可解释性的基本差异。

Oct, 2020

通过使用众包反馈通过视频游戏收集到的信息，GAME-KG 框架显示出是一种增强知识图谱的有效方法，同时为人类提供由其验证的可解释的结构化事实。

Apr, 2024