shapley additive explanations | BriefGPT

关键词shapley additive explanations

搜索结果 - 20

机器学习模型中的统一解释：一种扰动方法
面向可解释人工智能（XAI）的高速范式转变已在近年来出现。高度复杂的机器学习（ML）模型在许多智能任务中蓬勃发展，而问题开始从传统的有效性度量转向更深层次的问题：该模型告诉我关于我的数据什么，它是如何得出这些结论的？XAI 和建模技术之间的
PDFa month ago
预测液化引起的横向扩散的可解释 AI 模型
通过使用 SHapley Additive exPlanations（SHAP）解释基于 2011 年基督城地震数据训练的 eXtreme Gradient Boosting（XGB）模型的结果，它成功地识别了通过锥形贯入试验（Cone P
PDF2 months ago
MISLEAD：误导性地操作选定特征对逃逸攻击欺骗学习 Epsilon
我们提出了一种结合 SHapley Additive exPlanations（SHAP）进行特征重要性分析和创新的 Optimal Epsilon 技术进行逃逸攻击的方法，旨在解决机器学习模型中对抗性攻击导致的可靠性问题。通过对多种机器学
PDF2 months ago
基于可解释和可靠的机器学习的现场特定确定性温湿度预测
使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释
PDF3 months ago
金融工程中可解释的自动化机器学习：增强人工智能与人类合作的信用决策
本文研究 Explainable Automated Machine Learning 在金融工程领域的整合，重点关注其在信用决策中的应用。研究表明，AutoML 和 XAI 的结合不仅提高了信用决策的效率和准确性，还增进了人与 AI 系统
PDF5 months ago
基于 TabNet 的探索行人事故严重程度影响因素研究：一种深度学习方法
该研究首次应用 TabNet 模型对行人事故严重程度进行调查，发现与交通安全研究相关的表格数据中的复杂因素。通过对覆盖 2010 年至 2022 年犹他州的全面数据集应用 TabNet 模型，我们揭示了对行人事故严重程度有重要影响的关键变量
PDF7 months ago
揭示美学偏好的因素：可解释的人工智能
通过使用机器学习模型和可解释的 AI 技术，我们对影响审美偏好的属性展开研究，通过数据挖掘和多种机器学习模型的比较，揭示了影响图像美学评分的属性及其相互作用的作用，以期能深入理解影响审美判断的复杂性。
PDF7 months ago
纽约市 COVID-19 疫情期间的单车共享需求的可解释机器学习框架
本研究提出了一个机器学习模型框架，用于估计大规模自行车共享系统的小时需求，并利用两个梯度提升模型以及基于 SHapley Additive exPlanations 的模型解释框架进行实证分析，结果表明性别比例和时间段是两个最重要的解释变量
PDF8 months ago
利用可解释人工智能检测传感器间的差异
本研究使用可解释人工智能方法的 SHAP，通过机器学习从中识别贡献最大的传感器来检测感测器之间的变化，并利用奥氮平来测试其方法的应用性，从而证明了这种方法可以提高传感器方法的效率和准确性。
PDFa year ago
金融情感分析：从转换器回到可解释的词典（XLex）
介绍了一种名为 eXplainable Lexicons 的新方法，该方法结合了基于词典和变压器模型的优点，并利用 SHapley Additive exPlanations 进行解释。实验证明了该模型在金融数据分析中的高效性和可解释性，是
PDFa year ago
应用可解释人工智能（XAI）方法分析增材制造样品输入变量与拉伸强度之间的相关性
该研究使用可解释性人工智能技术，分析添加制造过程中充填比例、层高度、挤出温度和打印速度等不同输入参数对材料拉伸强度的影响，并发现充填比例和挤出温度对拉伸强度的影响最大，层高度和打印速度的影响相对较小。此外，研究还发现输入参数与拉伸强度之间的
PDFa year ago
可解释人工智能方法评论：SHAP 和 LIME
这篇论文探讨解释的可解释人工智能（XAI）方法，特别是 SHapley 加性解释和局部可解释模型无关解释等两种使用广泛的方法，提出一个框架来解释它们的输出，强调它们的优缺点。
PDFa year ago
可解释人工智能在自杀风险评估上的分析与评估
本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF
PDFa year ago
MM利用可解释性人工智能交叉验证 COVID-19 患者死亡率中的社会经济差异
本文使用可解释人工智能（XAI）方法分析 COVID 患者死亡率的社会经济差异，建立了一个基于匿名的奥斯汀地区医院数据集的 XGBoost 预测模型，应用了两种 XAI 方法（Shapley 可加性解释和局部可解释模型无关解释）比较特征重要
PDFa year ago
ICML利用可解释的人工智能来提高神经网络的性能
本研究提出了一种重新训练流程，使用 SHapley Additive explanations 值，从 XAI 入手并利用最先进的技术来增加模型的透明度和可信度，在人数统计场景和图像分类数据集上进行了实验验证，结果表明使用 SHAP-bas
PDF2 years ago
SurvSHAP (t): 机器学习生存模型的时间依赖性解释
本文介绍一种基于 SHapley 加性解释的 SurvSHAP (t) 方法，使用其可以对时间相关的生存黑盒模型进行解释，提高精度诊断，支持领域专家决策。实验结果表明，SurvSHAP (t) 对时间相关变量的影响检测更准确，其聚合也比 S
PDF2 years ago
贝叶斯集成方法预测足球运动员价值
通过 FIFA 数据分析，本文针对足球运动员转会费用的主要影响因素，提出了基于 LightGBM 模型的改进方法，采用树形 Parzen 算法进行超参优化，并通过 SHapley Additive exPlanations 算法进行特征筛选
PDF2 years ago
面向金融交易的负责任人工智能
本研究通过使用 Shapley 加性解释和文本聚类与决策树分类器的混合方法，提供了一个对基于深度神经网络的分类模型的解释以验证其可解释性，并对其提供对抗攻击的测试。
PDF2 years ago
背景数据规模对用于深度学习模型的 SHapley Additive exPlanations（SHAP）稳定性的实证研究
本文针对使用 SHAP 方法解释人工神经网络的过程中背景数据对结果的影响进行了实证研究，在使用不同大小的随机采样背景数据时，SHAP 的解释结果会产生波动，但随着样本数量的增加，这种波动会逐渐减小，同时 SHAP 稳定性评估中出现了 U 形
PDF2 years ago
当可解释性遇上对抗学习：使用 SHAP 签名检测对抗样本
本文介绍了一种新的检测方法，该方法使用计算深度神经网络分类器的内部层的 Shapley 加性解释（SHAP）值来区分正常和对抗输入。通过针对流行的 CIFAR-10 和 MNIST 数据集构建数据集，训练基于神经网络的检测器去区分正常和对抗
PDF5 years ago