hidden neurons | BriefGPT - AI 论文速递

关键词hidden neurons

搜索结果 - 10

关于标记数据和符号方法在隐藏神经元激活分析中的价值
通过解释隐藏神经元的激活来理解可解释人工智能是一个重要的挑战：准确的解释有助于回答深度学习系统内部检测输入中什么是相关的问题，揭示深度学习系统原本的黑盒特性。该论文介绍了一种新颖的与模型无关的可解释人工智能方法，通过使用约 200 万个类别
PDF2 months ago
描述和解剖：使用语言模型解释视觉网络中的神经元
本文提出了一种描述和解析（DnD）的新方法，利用多模态深度学习的最新进展来产生复杂的自然语言描述，无需带标签的训练数据或预定义的概念选择集。通过广泛的定性和定量分析，我们展示了 DnD 在提供更高质量神经元描述方面的优越性，并且与最佳基线相
PDF3 months ago
利用结构化背景知识和演绎推理理解 CNN 隐藏神经元激活
解释性人工智能中的一个重要挑战是如何正确解释隐藏神经元的激活：准确的解释可以揭示深度学习系统在输入上检测到的相关信息，解密了深度学习系统的黑盒特性。本文提供了一种基于大规模背景知识和概念归纳的符号推理方法的研究，旨在自动推断和验证隐藏神经元
PDFa year ago
Connected Hidden Neurons (CHNNet): 一种用于快速收敛的人工神经网络
提出了一种更为强健的人工神经网络模型，其隐藏神经元之间形成内部互联，加速学习复杂模式并提高收敛率；通过实验验证，将全连接层应用于深浅网络，显示出显著的提高收敛速度的结果。
PDFa year ago
Concept-Monitor: 通过单个神经元理解深度神经网络训练
通过一个称为 Concept-Monitor 的框架以及一个新的统一的嵌入空间和概念多样性度量方法，我们提出了一个通用的框架，可以自动帮助我们了解黑箱 DNN 训练进程，并且对 DNN 培训过程进行可解释的可视化，还提出了一个新的训练正则化
PDFa year ago
IJCAI使用概念归纳解释深度学习隐藏神经元的激活过程
本文通过使用来自维基百科概念层次结构的近 200 万类别级的大规模背景知识与一种称为 “概念归纳” 的符号推理方法，提出并演示了一种方法来自动附加有意义的标签到卷积神经网络的密集层中的个别神经元，以实现对神经元激活的解释。
PDFa year ago
ICLRCLIP-Dissect: 深度视觉网络神经元表示的自动描述
本文提出了 CLIP-Dissect 技术，通过利用新型视觉 / 语言模型对隐藏神经元进行无需标记的开放式概念标记来描述其功能，从而实现对视觉网络内部神经元进行自动化描述。本方法不仅更准确地描述了最后一层具有可参照标准的神经元，而且对隐藏层
PDF2 years ago
ICLR神经生物学和机器学习中的大型关联记忆问题
提出了一种微观理论，其中只需两体相互作用，就可以有效地描述大型关联内存，具有一定的生物可信度，并实现了能量最小化的动力学。
PDF4 years ago
通过神经网络梯度下降无超参数化地记忆高斯函数
本文证明了从正交初始化开始，使用 gradient descent 算法，对于深度网络中的一个步骤，使用 q 个 hidden neurons 可以在 Rd 上学习记忆 Ω(dq/log^4 (d)) 个独立的、随机标记的高斯函数，结论适用
PDF4 years ago
AAAI通过提取隐藏神经元激活边界来进行知识蒸馏
该论文提出了一种通过蒸馏隐藏神经元形成的激活边界进行知识转移的方法，并设计了逼近激活转移损失的分段可微损失，实验证明该方法在各个方面的知识转移方面优于当前的最先进技术。
PDF6 years ago