关键词model-agnostic approach
搜索结果 - 5
- 通过自动化和模型无关的规则提取实现区域可解释性
在可解释人工智能(Explainable AI)中,我们提出了一种模型无关的方法,用于从特定的数据子组中提取规则。该方法通过自动生成数字特征规则,增强了机器学习模型的区域可解释性,并在高维空间中降低了计算成本。在各种数据集和模型的实验中,我 - 基于累积局部效应的机器学习和经典技术的统计推断
通过引入创新工具和技术,我们提出了一种基于 Accumulated Local Effects (ALE) 模型无关方法的统计推断,建立了适用于数据集大小的自举置信区间,并引入了直观指示对结果变量尺度和规范化尺度效应的 ALE 效应量度量。 - FedMT:混合标签联邦学习
本文提出了面向混合标签的联邦学习方法,旨在解决不同中心之间标签的空间不匹配问题,并结合不同联邦学习方法,通过过参数化 ReLU 网络实现线性收敛的标签投影,通过基准和医学数据集验证理论分析的有效性。
- 通过程序简化理解神经代码智能
本文提出了一种简单的,与模型无关的方法 ——SIVAND,通过简化技术减小 CI 模型输入程序的大小,以识别 CI 系统中模型的关键输入特征,显示出这种方法产生的输出非常小,并广泛适用于许多模型体系结构和问题领域。
- ACL面向对抗性问答的模型无关答案重新排序系统
本文提出了一个可针对任何问答模型直接应用的模型无关方法来解决识别对抗性例子的问题,该方法采用明确的答案候选人重新排名机制,通过内容重叠度评分候选答案,并配合强基础 QA 模型使用,其性能优于现有防御技术。