complex models | BriefGPT - AI 论文速递

关键词complex models

搜索结果 - 12

结合深度学习技术的专家知识来实现即时缺陷预测
为了利用简单模型和复杂模型的优势，我们提出了一种模型融合框架，采用特征层面上的早期融合和决策层面上的晚期融合。SimCom++ 的实验结果表明，其性能较基准模型提高了 5.7% 至 26.9%。此外，实验结果证实了简单模型和复杂模型互补性的
PDF4 months ago
通过快速不精确的预言加速拟阵优化
复杂模型的查询通常需要复杂的计算和长时间的响应，因此弱模型能够快速提供不准确的结果，在使用少量查询到更强大的模型解决不准确性时具有优势。本文设计和分析了实用的算法，仅使用少量准确查询来处理低质量的不准确模型，接近于给定问题的经典算法性能，并
PDF5 months ago
机器学习中的模型无关解释框架：在 NBA 体育中的比较研究
机器学习研究领域近年来取得巨大进展，深度学习模型在各种任务上表现出色。然而，这些模型往往在可解释性方面存在不足，因为它们作为不透明的 “黑盒子” 运行，使其决策背后的原理被遮蔽。为了解决这一挑战，我们的研究团队提出了一个创新框架，旨在权衡模
PDF6 months ago
有针对性地减少因果模型
为了解决复杂模型中高维空间的因果关系模式识别的问题，我们引入了目标因果约简（Targeted Causal Reduction，TCR）方法来将复杂模型转化为一组简洁的因果因素，并通过玩具和机械系统的实例验证了 TCR 从复杂模型中生成可解
PDF7 months ago
平衡复杂模型的可解释性和准确性
这篇研究论文探讨了 AI 模型的可解释性，并提出了一种基于相关影响的新方法，可提高深度学习等复杂模型的可解释性和准确性，实现了解释度和准确度之间的平衡。
PDFa year ago
可解释化人工智能并未提供最终用户所要求的解释
阐释可解释的人工智能（XAI）技术应用于复杂模型的机器学习系统中，以增强其透明度与验证，从而取得用户的信任。然而，XAI 在部署上存在局限性，因此透明度和严格验证更适合在获取人工智能系统信任时使用。
PDFa year ago
机器学习科学中的泄漏与再现危机
通过调查 ML 方法在 17 个领域中被广泛采用的文献，我们系统地调查了 ML 方法在科学研究中的可重复性问题，并发现数据泄漏确实是一个普遍存在的问题，并提出了模型信息表来报告基于 ML 模型的科学主张，以便在发布前发现泄漏情况，并进行了模
PDF2 years ago
预测复杂度先验
本文提出了一种基于预测复杂度的贝叶斯先验方法，以应对神经网络等复杂模型中参数推理的挑战；在高维回归、神经网络深度和少样本学习等领域得到应用。
PDF4 years ago
通过传播局部组成部分的 Shapley 值来解释模型
介绍了一种名为 DeepSHAP 的混合模型解释框架，它基于 Shapley 值，可以用来解释由不同模型堆叠而成的复杂模型，包括神经网络和树形模型，并能够为损失函数提供解释。
PDF5 years ago
ICML利用已知信息增强简单模型
本文提出了一种新方法 SRatio，可利用复杂模型（如深度神经网络、增强树、随机森林）的信息对训练数据集进行重新加权，以增强性能较低的简单模型，同时整合中间层探针的概念到我们的方法中，实验结果表明在 6 个 UCI 数据集和 CIFAR-1
PDF5 years ago
一种通用的坐标下降框架 —— 从隐式反馈中学习
本文提供了一种新的框架来衍生复杂推荐模型的高效 CD 算法，其中一项关键是 k 可分离模型的属性。这个框架被应用在各种最先进的模型上，包括分解机和 Tucker 分解，提供了高效的隐式 CD 算法推荐模型的理论和构建模块。
PDF8 years ago
复杂高维模型的贝叶斯分析：可以使用 CODA 吗？
本研究考虑针对复杂的高维模型的贝叶斯分析，并表明直觉上的先验分布选择对模型和参数的微小细节不加区分，导致在某些情况下表现较差，而简单的频率学派估计量存在良好的表现。
PDF12 years ago