{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2023,8,22]]，“日期-时间”：“2023-08-22T20:22:13Z”，“时间戳”：1692735733611}，“引用-计数”：0，“发布者”：“人工智能发展协会（AAAI）”，“问题”：“1”，“内容域”：{-“域”：[]，“交叉标记限制”：false}，“short container-title”：[“AAAI”]，“抽象”：“\n\n大多数机器学习研究都集中于建立具有良好数学特性和尖端性能的模型和推理技术。很少有人关注可用于提高用户解释数据和机器学习模型以解决实际问题的能力的数据表示的开发。在本文中，我们定量和定性地评估了一种高效、准确和可扩展的特征压缩方法，该方法使用离散数据的潜在Dirichlet分配。这种表示可以有效地传递高维、复杂数据点的特征。我们表明，与其他表示方式相比，根据一些指标，通过使用基于主题建模的压缩技术，用户可解释性的改进在统计上具有显著意义。此外，我们发现这种表示是可伸缩的——随着显示的数据点数量的增加，它保持了与人类分类精度的一致性。此外，学习的主题层可以在语义上向用户传递有意义的信息，这可能有助于人类推理与压缩主题空间相关的数据特征。\n\n<\/jats:p>“，”DOI“：”10.1609\/aaai.v29i1.9474“，”type“：”journal-article“，”created“：{”date-parts“：[2022,6,23]]，”date-time“：”2022-06-23T19:05:01Z“，”timestamp“：1656011101000}，”source“：“Crossref”，“is-referenced-by-count”：6，”title“：[”高维复杂数据的可伸缩和可解释数据表示“]，”前缀“：”101609“，“卷“：”29“，”作者“：[{”给定“：”Been“，”family“：”Kim“，”sequence“：”first“，”aflationship“：[]}，{”given“：”Kayur“，”家庭“：”Patel“，”序列“：”additional“，”filationship:[]}，{“given”：“Afshin”，“family”：“Rostamizadeh”，“sequence”：“additional”，“aflationation”：[]{“给定”：“朱莉”，“家庭”：“沙阿”，“序列”：“附加”，“从属关系”：[]}]，“成员”：“9382”，“published-online“：{“date-parts”：[[2015,2,18]]}，“container-title”：[“AAAI人工智能会议记录”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/ojs.AAAI.org\/index.php\/AAAI\/article\/download\/9474\/9333”，“内容类型”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“网址”：“https:\/\/ojs.aaai.org\/index.php\/aaai\/article\/download\/9474\/9333“，”内容类型“：”未指定“，”content-version“：”vor“，”intended-application“：”相似性检查“}]，”存放“：{”日期部分“：[2022,6,23]]，”日期时间“：”2022-06-23T19:05:02Z“，”时间戳“：1656011102000}，”分数“：1，”资源“：”{“主要”：{“URL”：“”https:\/\/ojs.aaai.org\/index.php\/aaai\/article\/view\/9474“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2015,2,18]]}，“references-count”：0，“日记发布”：{“发布”：“1”，“发布在线”：{“日期部分”：[[2015-3,1]]}}、“URL”：“http://\/dx.doi.org\/10.1 609 \/aaai.v29i1.9474“，”关系“：{}，”ISSN“：[”2374-3468“，”2159-5399“]，”ISSN-type“：[{”value“：”2374-3468“，”type“：“电子”}，{“value”：“2159-5399”，“type”：”print“}]，“subject”：[]，“published”：{“date-parts”：[[2015,2,18]]}}}