interpretable deep learning | BriefGPT

关键词interpretable deep learning

搜索结果 - 8

证据概念嵌入模型：面向皮肤疾病诊断的可靠概念解释
由于医疗决策的重要性，对于医学图像分析中的可解释深度学习方法有着强烈的需求。本文提出了一种基于证据学习的概念嵌入模型 (ev-CEM)，用于建模概念的不确定性，并利用其来纠正在没有完全概念监督下使用视觉 - 语言模型训练概念瓶颈模型时出现的
PDF9 days ago
定量因果关系、因果引导的科学发现和因果机器学习
因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的 18 年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋
PDF5 months ago
可解释的短期负荷预测：多尺度时间分解
机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比
PDF5 months ago
柔性并行神经网络架构模型用于锂电池寿命的早期预测
为了提高锂电池的效率和延长使用寿命，本研究提出了一种可解释的深度学习模型 FPNN，它可以自适应地调整不同复杂度的任务，从而提高锂电池寿命的预测准确性。
PDF5 months ago
ToxVis: 交互式可视化实现隐式与显式毒性检测模型的可解释性
通过使用深度学习解释技术，本研究开发了一个可视化交互及可解释的工具 ToxVis，通过细分隐性仇恨言论、明显性仇恨言论、非恶意内容三个类别，对在线暴恐言论进行分类，为内容审查提供了一个有价值的手段。
PDFa year ago
慢性病中关怀心理：基于物联网的可解释人工智能方法
本文通过使用动作传感器数据预测抑郁症证明了解决以下问题的重要性：健康感知对慢性病管理的益处如何，抑郁症预测的挑战和机器学习算法透明度和可解释性的重要性，介绍了一个新型可解释的深度学习模型 —— Temporal Prototype Netw
PDF2 years ago
可解释的时间序列分析多层小波分解网络
本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广
PDF6 years ago
DeepSOFA：使用临床可解释的深度学习对危重病患者进行连续生理状态评分
提出了一种新的 Acuity 评分架构：DeepSOFA，使用可解释的深度学习模型和时间测量来评估 ICU 逗留期间的疾病严重程度和预测住院病死率，相比于基线模型 SOFA，DeepSOFA 具有更高的准确性，有助于及早发现 ICU 患者的
PDF6 years ago