feature importance | BriefGPT

关键词feature importance

搜索结果 - 70

VertiBench：提升竖直联邦学习基准中特征分布的多样性
本文介绍了两个影响垂直联邦学习性能的关键因素 - 特征重要性和特征相关性，并提出了相关的评估指标和数据集分割方法，同时介绍了一个实际的 VFL 数据集来解决图像之间的 VFL 场景不足。针对尖端的 VFL 算法的全面评估为未来的研究提供了有
PDFa year ago
MDI+: 一种基于随机森林的灵活特征重要性框架
本文介绍了一种名为 MDI + 的灵活的特征重要性框架，它使用广义线性模型（GLMs）和更适合给定数据结构的度量衡，并结合了额外的功能来缓解对加性或平滑模型的预测的已知偏差。经过广泛的基于数据的模拟和实际案例研究，并将 MDI + 应用于药
PDFa year ago
计算与可视化反事实特征重要性值
本文提出了 Counterfactual Feature Importance (CFI) 方法，并介绍了其计算过程和三种可视化方法，从而使解释和解释性口径机器学习更加透明。
PDFa year ago
使用 SHAP 特征重要性和模糊认知地图测量隐含偏见
本文运用三步方法将特征重要性与隐性偏见相结合，结果说明了仅使用特征重要性作为衡量隐性偏见的方法具有风险，并且受保护特征所受到的偏见程度可能取决于特征的编码方式。
PDFa year ago
校准解释：带不确定信息和反事实分析
本文介绍了一种基于 Venn-Abers 的新型特征重要性解释方法 Calibrated Explanations，该方法能校准底层模型、生成特征重要性解释并对概率估计和特征重要性权重进行不确定性量化。此外，该方法对模型没有偏见、规则易于理
PDFa year ago
通过特征贡献和 MDI 特征重要性解释 Deep Forest
通过计算和校准来为深层森林设计特征贡献和 MDI 特征重要性的计算工具，验证其在模拟数据和实际数据上的有效性。
PDFa year ago
EBLIME: 增强贝叶斯局部可解释模型无关解释
本文提出了 EBLIME 方法，使用贝叶斯岭回归模型解释黑盒机器学习模型并获取特征重要性分布，通过介绍该贝叶斯框架和岭参数的显著性等理论成果。在基准数据集和制造产品内部缺陷定位的真实工业应用案例中进行案例研究。与现有最新技术相比，EBLIM
PDFa year ago
关于 $ extit {RemOve-And-Retrain}$ 的局限性：数据处理不等式的视角
本文评估 RemOve-And-Retrain (ROAR) 协议的可靠性，发现所得指标性能不受有关决策函数信息的影响，这种现象也被观察到在 RemOve-And-Debias (ROAD) 中，并提出了 ROAR 指标的一致模糊偏见趋势。
PDFa year ago
通过随机森林回归进行特征重要性的去相关和趋势检测的概念
本文介绍了基于 Gram-Schmidt 去相关方法的特征重要性新概念，并提出了用于使用随机森林回归确定数据趋势的绝对和相对横向速率两种估计器。然后，在各种合成和实际数据集上，将我们的估计器的性质与那些知名估计器进行了实证比较。
PDFa year ago
SurvLIMEpy: 一个实现 SurvLIME 的 Python 包
本文介绍了一款名为 SurvLIMEpy 的 Python 工具包，实现了 SurvLIME 算法，可用于计算模型预测的生存分析数据的局部特征重要性，并提供了可视化工具来更好地理解算法结果，支持多种生存模型。通过模拟数据和三个公开生存数据集
PDFa year ago
Shapley 值在可解释性方面的不足
本论文发现使用 Shapley 值进行可解释 AI (XAI) 会导致关于特征重要性的推断存在严重偏差，并指出在某些分类器的情况下，计算严格特征归因值的有效算法的存在性应被视为不太可能。
PDFa year ago
何者想要什么以及如何实现：用于可解释人工智能的映射函数
本研究旨在对现有可解释人工智能研究进行审查，并对 XAI 方法进行分类。该研究目的在于为 XAI 用户提供适当的方法，并将所需属性与当前 XAI 方法相关联，从而为用户提供个性化的解释。
PDFa year ago
一种用于询问议程的元学习算法
本文提出了一种基于元学习算法的形式概念分析（FCA）方法来构建好的询问议程，以实现对数据更好的解释性和分类准确性。
PDF2 years ago
目标检测的结构知识蒸馏
本文提出了一种基于结构相似性的知识蒸馏替代方法，通过考虑特征空间的对比度、结构线索、相关性和空间依赖性，在中间特征层面进行指导。在 MSCOCO 上的实验表明，这种方法简单易行、计算开销小，同时在不同的训练方案和网络架构上都能显著提高模型性
PDF2 years ago
传统机器学习模型解释方法比较第一部分：目前方法概述及其不一致性量化
这篇论文探讨了机器学习模型的可解释性和可解释性，特别是关于本地和全局可解释性以及特征重要性和相关性的方法，并提供了一个完整的 Python 软件包来允许未来的研究人员探索这些产品；根据对严重天气预测和亚冰点路面温度预测的 ML 模型开发的研
PDF2 years ago
XAI-Increment: 一种利用 LIME 解释来改进增量学习的新方法
本文提出了一种自定义加权损失函数，其中考虑了真实 LIME 解释和模型预测 LIME 解释之间的欧几里得距离，用于提高模型的泛化能力，并通过增量学习设置来验证其有效性。与传统损失函数相比，使用自定义加权损失函数的训练程序对于 Google
PDF2 years ago
基于新型扩展 Garson 算法的可解释深度置信网络自编码器
本文提出了一种扩展 Garson 算法的算法，用于解释基于自编码器的深度置信网络，并在文献中选取的分类和回归数据集上测试了该方法的有效性。
PDF2 years ago
KDD基于解释的反事实重训练（XCR）：黑盒模型校准方法
本文提出了一种新的基于解释的反事实训练方法，即 eXplanation-based Counterfactual Retraining (XCR)，通过提取特征重要性来优化黑盒模型，解决了解释性人工智能的 Out-of-Distributi
PDF2 years ago
特征重要性的固有不一致性
本文提出一种新的特征重要性得分框架，通过将特征空间重新划分成可分离集合，从而统一了现有研究所存在的不一致性，实现了对机器学习算法的可解释性。
PDF2 years ago
我们需要另一种可解释的 AI 方法吗？将事后可解释性评估方法统一为一种交互式和多维基准
提出了一种名为 Compare-xAI 的基准测试框架，该框架统一了 xAI 算法的所有排他性功能测试方法，帮助研究人员、从业人员和普通人解释模型结果，同时提供了可互动的用户界面。
PDF2 years ago