利昂·西特
人员信息
优化列表
2020年–今天
2022 [注2] 利昂·西特 , 蒂姆·兰德格拉夫 :
对深度泰勒分解的严格研究。 事务处理。 机器。 学习。 物件。 2022 ( 2022 ) 【c5】 利昂·西特 , 马丁·舒斯勒 , 奥纳·尤利安娜·波佩斯库 , 菲利普·韦(Philipp Wei) , 蒂姆·兰德格拉夫 :
用户从可解释的视觉中受益吗? 用户研究、基线和数据集。 ICLR公司 2022 【c4】 尤素福·纳德尔 , 利昂·西特 , 蒂姆·兰德格拉夫 :
DNNR:差分最近邻回归。 ICML公司 2022 : 16296-16317 [第九章] 利昂·西特 , 马丁·舒斯勒 , 奥纳·尤利安娜·波佩斯库 , 菲利普·韦(Philipp Wei) , 蒂姆·兰德格拉夫 :
用户从可解释的视觉中受益吗? 用户研究、基线和数据集。 CoRR公司 abs/2204.11642 ( 2022 ) [i8] 尤素福·纳德尔 , 利昂·西特 , 蒂姆·兰德格拉夫 :
DNNR:差分最近邻回归。 CoRR公司 abs/2205.08434 ( 2022 ) [i7] 利昂·西特 , 蒂姆·兰德格拉夫 :
深度泰勒分解的严格研究。 CoRR公司 abs/2211.08425 ( 2022 ) 2021 [i6] 马丁·舒斯勒 , 菲利普·韦(Philipp Wei) , 利昂·西特 :
Two4Two:评估可解释机器学习-受控实验的合成数据集。 CoRR公司 abs/2105.02825 ( 2021 ) [i5] 利昂·西特 , 刘哲伦(Evan Zheran Liu) , 玛丽·佩拉特 , 詹姆斯·韦克斯勒 , 米拉德·哈希米 , Been Kim(金) , 马丁·马斯 :
分析缓存模型。 CoRR公司 abs/2112.06989 ( 2021 ) 2020 【c3】 卡尔·舒尔茨 , 利昂·西特 , 费德里科·汤巴里 , 蒂姆·兰德格拉夫 :
限制流动:归因的信息瓶颈。 ICLR公司 2020 【c2】 利昂·西特 , 马克西米利安·格拉茨 , 蒂姆·兰德格拉夫 :
当解释撒谎:为什么许多修改后的BP属性失败。 ICML公司 2020 : 9046-9057 [i4] 卡尔·舒尔茨 , 利昂·西特 , 费德里科·汤巴里 , 蒂姆·兰德格拉夫 :
限制流动:归因的信息瓶颈。 CoRR公司 abs/2001.00396 ( 2020 )
2010 – 2019
2019 [i3] 利昂·西特 , 马克西米利安·格拉茨 , 蒂姆·兰德格拉夫 :
当解释撒谎时:为什么修正的BP归因失败。 CoRR公司 abs/1912.09818 ( 2019 ) 2018 [j1] 利昂·西特 , 本杰明·威尔德 , 蒂姆·兰德格拉夫 :
RenderGAN:生成真实的标签数据。 前沿机器人AI 5 : 66 ( 2018 ) [i2] 本杰明·怀尔德 , 利昂·西特 , 蒂姆·兰德格拉夫 :
利用深度卷积神经网络对蜜蜂标记进行自动定位和解码。 CoRR公司 abs/1802.04557 ( 2018 ) 2017 【c1】 利昂·西特 , 本杰明·怀尔德 , 蒂姆·兰德格拉夫 :
RenderGAN:生成真实标记的数据。 ICLR(车间) 2017 2016 [i1] 利昂·西特 , 本杰明·威尔德 , 蒂姆·兰德格拉夫 :
RenderGAN:生成真实的标签数据。 CoRR公司 abs/1611.01331 ( 2016 )