• 语料库ID:62841417

面向可解释、自信和鲁棒深度神经网络的基于注意的原型学习

@第{Arik2019AttentionBasedPL条，title={面向可解释、自信和稳健的深度神经网络的基于注意力的原型学习}，author={Sercan{\“O}.Arik和Tomas Pfister}，日志={ArXiv}，年份={2019}，体积＝{abs/1902.06292}，url={https://api.semanticscholar.org/CorpusID:62841417}}
我们提出了一个新的原型学习框架，该框架将决策建立在我们称之为原型的几个相关示例上。我们的框架使用了一种注意机制，该机制将…
[PDF]语义阅读器
19引文
背景引文
8
方法引文
4

本文图表

19引文

COMAE:零散列的综合属性探索

在流行的ZSH数据集上的实验结果表明，COMAE优于最先进的散列技术，尤其是在存在大量未显示标签类的情况下。

用于任意快照学习的属性原型网络

一种新颖的表示学习框架，仅使用类级属性联合学习有区别的全局和局部特征，并在具有挑战性的基准测试（即CUB、AWA2和SUN）上实现新的最新技术。

PiCO+：鲁棒部分标记学习的对比标记消歧

这项工作开发了一种新的标签消歧算法PiCO，该算法由一个对比学习模块和一种基于类原型的新型消歧方法组成，该方法可以从期望最大化（EM）算法的角度进行严格验证。

在自己的游戏中击败攻击者：使用对抗性梯度方向的对抗性示例检测

与使用多个扰动的检测方法相比，该方法效率高，因为它只对输入示例应用一个随机扰动，并且优于多种最先进的检测方法。

看起来是这样的，因为。。。解释可解释图像识别的原型

这项工作通过使用模型认为重要的视觉特征的额外信息来自动增强原型，并量化原型中颜色色调、形状、纹理、对比度和饱和度的影响，从而提高了可解释性。

零镜头学习的属性原型网络

一种新的零快照表示学习框架，仅使用类级属性联合学习有区别的全局和局部特征，并指向图像中属性的视觉证据，证实了图像表示改进的属性定位能力。

航天预测维修中可解释人工智能的机会

有人认为，XAI的研究通常有助于加速AI/ML（机器学习）在航空航天领域的实施，特别有助于促进合规性、透明度和信任。

用无监督聚类解释深度神经网络

通过使用无监督聚类将训练好的深层神经网络提取为代理模型，这是一种解释训练好的深度神经网络的新方法，该方法可以灵活地应用于DNN体系结构的任何层子集，并可以合并低级和高级信息。

通过生物传感器和机器学习ML进行个性化治疗

该报告强调了需要解决的关键挑战，以便充分利用ML在个性化医疗领域可以提供的优势，并强调了对生物传感器的需求，该传感器可以提供更好的质量和数量的ML操作数据。

普适计算和大数据时代值得信赖的人工智能

本文从伦理学的角度对可信人工智能系统的要求进行了形式化，并重点讨论了可以集成到人工智能系统设计和开发中的方面。

38参考文献

用于自然语言处理的极深卷积网络

这项工作提出了一种新的文本处理体系结构，它直接在字符级操作，只使用小卷积和池操作，并且能够表明该模型的性能随着深度的增加而提高。

图像识别中的深度残差学习

这项工作提出了一个残差学习框架，以简化比以前使用的网络深度大得多的网络的训练，并提供了全面的经验证据，表明这些残差网络更容易优化，并且可以从显著增加的深度中获得准确度。

基于混合目标函数的LSTM网络半监督文本分类

本文开发了一种训练策略，该策略允许即使是简单的BiLSTM模型，在进行交叉熵损失训练时，也能获得与更复杂的方法相比具有竞争力的结果，并通过提高关系提取任务的性能，展示了混合目标函数的通用性。

使用DropConnect对神经网络进行正则化

这项工作引入了DropConnect，它是Dropout的一个推广，用于正则化神经网络中的大型全连接层，并推导了Dropout和DropConnect的泛化性能的界。

可解释分类的原型选择

本文讨论了在分类设置中选择原型的方法（其中样本属于已知的离散类别），并证明了在已知的USPS邮政编码数字数据集上生成原型的解释价值，并表明作为分类器，它表现得相当好。

长短期存储器

介绍了一种新的、高效的、基于梯度的方法，称为长短期记忆（LSTM），它可以通过在特定单元内的恒定误差转盘强制执行恒定误差流，从而学会消除超过1000个离散时间步的最小时滞。

解释深度神经网络的代表点选择

神经网络的预激活预测可以分解为训练点激活的线性组合，其权重对应于作者所称的表示值，从而捕获该训练点对网络学习参数的重要性。

CatBoost：支持分类功能的梯度增强

在本文中，我们介绍了CatBoost，这是一个新的开源梯度提升库，它成功地处理了分类特征，并优于现有的公开梯度实现…

基于注意力吸引网络的增量少快照学习

一种元学习模型，即注意力吸引器网络，它规范了新类的学习，并且证明了学习的吸引器网络可以帮助识别新类，同时记住旧类，而无需查看原始训练集。

人机对抗：深度学习卷积神经网络在皮肤镜黑色素瘤识别中的诊断性能与58名皮肤科医生的比较

美国有线电视新闻网（CNN）首次将其诊断性能与由58名皮肤科医生组成的大型国际组织进行了比较，其中包括30名专家，大多数皮肤科医生的表现都优于美国有线电视电视新闻网。