- 承压之下:野外基于学习的模拟仪表读取
我们提出了一个可解释的框架来读取模拟表,可用于实际机器人系统中。我们的框架将读取任务分为不同的步骤,以便在每一步中检测潜在的故障。我们的系统不需要了解表的类型或刻度范围,并且能够提取所使用的单位。我们证明了我们的表读取算法能够提取出相对读数 - 模拟电子病历的可解释神经时空点过程建模
基于 word2vec 和 Hawkes 过程,提出了一个可解释的事件序列建模框架 inf2vec,其中事件影响直接参数化并可进行端到端学习,实验证明了我们模型在事件预测和类型影响学习方面的优越性。
- 基于贝叶斯网络的可解释交通事件分析
本文提出了一种基于贝叶斯网络的可解释框架,用于交通事故预测,从而解决了现有的基于机器学习的交通事故分析方法缺乏可解释性的问题。通过构建数据集的流程,将交通数据导入该框架,同时保留了关键的交通数据信息。通过一个具体的案例研究,我们的框架可以从 - CoT3DRef: 链状思考数据高效 3D 视觉定位
设计一种可解释的 3D 视觉定位框架,通过预测一系列锚点和最终目标,将 3D 视觉定位问题形式化为序列到序列任务,将指称任务分解为可解释的中间步骤,从而提高性能并极大地提高数据效率。
- 学习基于概念的视觉因果转换和符号推理用于视觉规划
我们提出了一个可解释且具有通用性的视觉规划框架,包括一种新颖的基于替代的概念学习器(SCL),通过学习符号抽象和推理的任务规划,以及将视觉因果转换与语义相似的现实世界行为联系起来的视觉因果转换模型(ViCT)。通过使用学习的表示和因果转换来 - 高级物理感知 DeepMRI:从热传导到 k 空间内插的桥梁
本文介绍了一个可解释的框架,将 $k$-space 插值技术和图像域方法统一起来,建立在热扩散方程的物理原理基础之上,并提出了一种新的 $k$-space 插值方法,实验证明该方法在重建精度方面优于传统 $k$-space 插值方法、基于深 - 从计算语言学的角度看梵语诗歌的美学:以《十首教训颂》为案例研究
通过提出一个可解释性框架的路线图,本文探索了梵文诗歌与计算语言学的交集,以分析和分类精美梵文诗歌的特质和特点。通过从六个重要的 kavyashastra 学派的角度对梵文诗歌 Siksastaka 进行深入分析,提供了诗歌分析和注释的网页应 - ICML发现和解决:概念感知的减轻虚假相关性
本文介绍了一种可解释的框架 Discover and Cure (DISC), 它可以发现和治愈深度神经网络中的假关联现象,通过使用可解释的概念,该框架的使用优于现有方法,通过一个对象识别任务和皮肤病分类任务,表现出显著的泛化性和可解释性。
- CVPR医学图像中基于一致性概念的解释及其在皮肤病诊断中的应用
本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用,该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化,其结果表明该模型优于现有黑盒和概念模型。
- ICML基于连接组学的大脑疾病分析可解释化图神经网络
该研究提出了一个可解释性的框架,用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器,该生成器突出了特定于疾病的生物标记物。实验证明,该框架可以获得出色的性能并识别有意义的生物标记物。
- 基于医学概念的图神经网络的认知解释器
本研究提出一种基于医学概念的可解释卷积神经网络框架,可用于识别超声标准平面,并构建关键医学概念之间的关系,从医生的认知角度解释,并在实验中取得了实质性的解释性能提升。
- ICML通过功能性脑网络生成进行有效和可解释的 fMRI 分析
本文提出了一个可训练的流程,以促进 fMRI 数据的分析和下游预测任务。结果表明,该流程能够更有效并独特地进行解释。
- SoPhie:一种注意力增强的生成对抗网络,用于预测符合社交和物理限制的路径
本文通过 SoPhie,基于生成对抗网络的可解释框架,使模型能够联合建模物理和社交互动,从而在多个自主平台上预测多个交互代理在场景中的路径。