interpretable machine learning | BriefGPT

关键词interpretable machine learning

搜索结果 - 87

高效勘探规则集模型的拉肖蒙集合
本研究提出了一种高效的方法，可在有限的搜索中探索具有或不具有穷尽搜索的规则集模型的 Rashomon 集合。广泛的实验证明了所提方法在各种情况下的有效性。
PDFa month ago
分支：用于优化决策树的快速动态规划和分支限界算法
Branches 算法结合了动态规划和分支界限方法，提供了出色的速度和稀疏性解决方案，通过理论分析和实证评估验证了比现有方法更低复杂性以及始终产生最优的决策树的优势。
PDFa month ago
可解释机器学习提升疾病预测能力：COVID-19 及未来应用
COVID-19 和可解释机器学习在呼吸系统疾病预测中的应用，对未来研究和临床实践具有重要意义。通过综述各种机器学习模型，探索其能够整合现有临床领域知识和学习新信息的能力，以提高卫生管理系统的准备和应对能力，改善患者预后和减轻呼吸系统疾病对
PDFa month ago
Biathlon: 利用模型弹性优化加速 ML 推理管道
介绍了一种名为 Biathlon 的新型 ML 服务系统，利用模型的韧性并确定每个聚合特征的最佳近似度，实现了最大速度提升，同时确保准确性损失的保证边界。通过在工业应用和数据科学竞赛中的实际管道上评估 Biathlon，证明了其在满足实时延
PDFa month ago
关于大型语言模型（LLM）的脑科学评分形状研究
利用大型语言模型（LLMs）和人脑 / 神经系统之间的功能相似性评估指标 “Brainscore”，通过构建人类 fMRI 数据和多个 LLMs 及其未训练对象的拓扑特征，进行了线性回归模型训练和统计分析，揭示了在多个感兴趣脑区和半球中解释
PDF2 months ago
用于可解释无监督树集合的特征图：中心性、交互性及在疾病亚型划分中的应用
在医疗保健等高风险领域中，可以理解模型预测原理同实现高预测准确性一样重要的可解释机器学习已成为利用人工智能的核心。本研究引入了从非监督随机森林构建特征图的新方法和通过这些图派生有效特征组合的特征选择策略，通过在整个数据集和个别聚类上构造特征
PDF2 months ago
可解释的机器学习在天气和气候预测中的应用：一项调查
复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设
PDF3 months ago
基于自注意力的矢量符号结构的语义分解
基于自注意力的更新规则和 Hopfield 网络的 log-sum-exp 能量函数及范数限制状态的新变体共振器网络被引入，可显著提高性能和收敛速度，使得算法具有更大的关联记忆能力，可应用于感知基模式识别、场景分解和物体推理等多个任务。
PDF3 months ago
可解释的机器学习用于生存分析
通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解
PDF4 months ago
双机器学习在因果混合建模中的应用 -- 地球科学中的应用
通过因果推断框架运用 Double Machine Learning（DML）估计混合模型，展示了在地球科学领域中估计因果参数的优势、对正则化方法偏差的鲁棒性以及避免等效多样性。该方法在碳通量配分中展现了适应异质因果效果的灵活性，并强调了明
PDF4 months ago
基于大型语言模型的建筑能源系统解释性机器学习控制
通过结合 Shapley 值和大型语言模型（LLM）的特点，本文研究了可解释的机器学习（IML）在 HVAC 系统中的应用，以提高 MLC 的可信度和工业应用。作者通过案例研究在虚拟试验平台上展示了开发的 IML 框架在需求响应事件中的模型
PDF5 months ago
相关性下的变量重要性排序挑战
变量重要性在可解释机器学习中起着关键作用，它有助于衡量因素对预测模型输出的影响。我们的研究重点是评估和评估旨在解决变量重要性评估中特征相关性问题的方法，如条件预测影响（CPI）等，我们首先进行综合模拟研究，调查特征相关性对变量重要性评估的影
PDF5 months ago
在不完全合作博弈中降低乐观偏差
合作博弈理论在当代人工智能中有各种应用，包括可解释的机器学习、资源分配和协同决策。本文提出了一个旨在优化展示联盟价值序列的框架，以有效缩小合作博弈中玩家期望与实际结果之间的差距。通过研究玩家对缺失联盟价值的乐观补全及其产生的差距的分析特性，
PDF5 months ago
大语言模型时代的可解释性重新思考
可解释机器学习与大型语言模型相结合，评估解释方法并提出使用语言模型分析数据集和生成交互式解释的两个研究重点。
PDF5 months ago
PruneSymNet：符号回归的符号神经网络和剪枝算法
提出了一种符号回归的符号网络 PruneSymNet，使用了贪婪修剪算法与波束搜索相结合的方法来获得最优解和多个候选表达式，并在公共数据集上进行了测试以及与流行算法的比较，结果表明该算法具有更好的准确性。
PDF5 months ago
超越概念瓶颈模型：如何使黑箱可干预？
介绍了一种在已经训练好但不可解释的神经网络上进行基于概念的干预的方法，并将模型的可干预性定义为评估基于概念的干预效果的度量，通过对模型进行微调来改进干预效果并提高预测的校准性。实验结果表明，精调黑盒模型能够在干预效果上与概念瓶颈模型相媲美且
PDF5 months ago
X Hacking: 误导的自动机器学习的威胁
通过介绍 X-hacking 的概念，本文展示了如何使用自动化的机器学习管道来搜索出产生期望解释并保持优越预测性能的 “可辩护” 模型，并将解释和准确性之间的权衡形式化为一个多目标优化问题。在熟悉的真实世界数据集上经验性地说明了 X-hac
PDF6 months ago
可解释学习的功能响应变形材料的生成逆向设计
通过随机森林的可解释性，提出了一种单次逆设计方法 RIGID，用于快速生成具有所需功能行为的变形材料设计。该方法不需要训练映射关系的逆模型，而是通过马尔科夫链蒙特卡洛方法从训练的前向模型导出目标满足的设计解决方案的条件分布。在仅有少量数据的
PDF7 months ago
梯度下降剪枝神经网络
我们介绍了一种新颖而简单的神经网络剪枝框架，通过引入 Gumbel-Softmax 技术，在端到端的过程中使用随机梯度下降同时优化网络的权重和拓扑结构，实现了网络的卓越压缩能力，保持了在 MNIST 数据集上的高准确性，仅使用了原始网络参数
PDF7 months ago
LymphoML: 一种可解释的基于人工智能的方法发现与淋巴瘤亚型相关的形态特征
利用 H&E 染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了 LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理 H&E 染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征
PDF8 months ago