NIPS2018深度学习(24)|亮点: 可复制特征选择;随意InfoGAN;快速融合(论文及代码)

最新推荐文章于 2022-12-07 12:22:59 发布
最新推荐文章于 2022-12-07 12:22:59 发布
阅读量1k 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hestendelin/article/details/101546804
版权

[1] DeepPINK: reproducible feature selection in deep neural networks

Yang Young Lu, Yingying Fan, Jinchi Lv, William Stafford Noble

University of Washington, University of Southern California

https://papers.nips.cc/paper/8085-deeppink-reproducible-feature-selection-in-deep-neural-networks.pdf

深度学习由于出色的实证表现，在有监督和无监督机器学习中越来越受欢迎。

但是，大多数深度学习方法由于内在的复杂性，在很大程度上被视为可解释性较差的黑箱工具。

尽管最近已经有学者尝试得到深度神经网络（DNN）的可解释性，但是现有方法容易受到噪声影响并且缺乏鲁棒性。因此，科学家们对发现的可重复性持谨慎态度，这通常与底层统计模型的可解释性有关。

这篇文章提出了一种通过结合具有受控错误率的特征选择的方法，用来增加DNN的可解释性和再现性。作者们设计了新的DNN架构并将其与最近提出的仿冒框架集成，以可控的错误率进行特征选择。这种新方法DeepPINK（使用配对输入非线性Knockoff的深度特征选择）在模拟和实际数据集上都取得了较好的效果。

DeepPINK图示如下

最低0.47元/天 解锁文章
frank_hetest
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Feature Selection and Deep Learning Ensembles
01-29
Optimal Feature Selection and Deep Learning Ensembles Method for Emotion Recognition From Human Brain EEG Sensors.pdf
HKO-7:论文源代码“ [NIPS2017]深度学习临近沉淀”-Source code learning
03-25
论文的源代码 如果您使用该代码或对它有帮助，请引用以下文章： @inproceedings{xingjian2017deep, title={Deep learning for precipitation nowcasting: a benchmark and a new model}, author={Shi, Xingjian ...
CancelOut: A Layer for Feature Selection in Deep Neural Networks-深度神经网络中的特征选择层
aab11235的博客
11-22 1216
[1] Borisov V , Haug J , Kasneci G . CancelOut: A Layer for Feature Selection in Deep Neural Networks[C]// 2019. CancelOut: A Layer for Feature Selection in Deep Neural Networks 摘要 特征排序（FR）和特征选择（FS）是数据预处理的关键步骤；它们可以用来避免维数灾难问题，减少训练时间，提高机器学习模型的性能。在本文中，我们..
深度特征融合---理解add和concat之多层特征融合
qq_43703185的博客
03-21 3824
原文链接：https://blog.csdn.net/xys430381_1/article/details/88355956 ...
【论文笔记】DEEP FEATURE SELECTION-AND-FUSION FOR RGB-D SEMANTIC SEGMENTATION
m0_61899108的博客
12-07 638
题目：DEEP FEATURE SELECTION-AND-FUSION FOR RGB-D SEMANTIC SEGMENTATION收录于：ICME 2021论文：Deep Feature Selection-And-Fusion for RGB-D Semantic Segmentation | IEEE Conference Publication | IEEE Xplore[2105.04102] Deep feature selection-and-fusion for RGB-D semant
Python机器学习与深度学习之三：数据特征选择
fjqlldg的专栏
11-28 919
一、数据特征选择目的 1、降低数据的拟合度 2、提高算法精度 3、减少训练时间 二、数据特征方法 1、单变量特征（卡方检验） import pandas as pd import numpy as np from sklearn import datasets from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 iris = datasets.load_ir
NIPS2018_RCRN:Tensorflow源代码，用于“递归控制的递归网络”（NIPS 2018）-tensorflow source code
03-24
NIPS 2018 我们提出了一种新的递归控制循环网络（RCRN），该网络在许多NLP任务上都显示了对堆... @inproceedings{nips2018, author = {Yi Tay and Luu Anh Tuan and Siu Cheung Hui}, title = {Recurrently Contro
matlab精度检验代码-NIPS-2018-Adversarial-Vision-Challenge:与我们参与2018NIPS对抗愿景挑战
05-22
matlab精度检验代码NIPS 2018对抗视觉挑战赛“稳健模型之路” ， （2018年11月发布） 抽象的 该存储库包含代码，文档和部署配置文件，这些文件，文档和部署配置文件与我们参与2018 NIPS对抗愿景挑战“稳健模型轨道”...
强化学习Nips2020论文下载
11-16
总共178篇，基本涵盖了20年NIps上所有与强化学习相关的文章。 zip压缩包，不要解压密码，261M大小。 看一看顶会论文怎么写的，自己下笔也大概能有个章法，Good Luck！ 勤奋决定天分！
论文研究-基于自适应信息损失的InfoGAN模型的无监督图像特征提取器设计 .pdf
08-14
基于自适应信息损失的InfoGAN模型的无监督图像特征提取器设计，杨照宇，郝建军，无监督地训练特征向量提取器是图像特征提取的一大重要研究领域，将有效的图像特征描述向量应用在后序的图像分类，检索等任务中可
基于Python的特征自动化选择：两行代码完成特征工程
fengdu78的博客
10-28 848
本文介绍一个特征选择神器：特征选择器是用于减少机器学习数据集的维数的工具，可以傻瓜式地进行特征选择，两行代码即可搞定！！来源：Will Koehrsen代码整理及注释翻译：黄海广代码和数...
【GANs学习笔记】（二十一）InfoGAN
a312863063的博客
11-01 1003
Part3 GANs在特征提取上的应用 1. InfoGAN      1.1 InfoGAN解决的问题      &a
深度学习（四十八）InfoGAN学习笔记
hjimce的专栏
02-18 1万+
本文是本人阅读《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》的学习笔记，文献目标其实是加入一个新的潜变量c，使得c与生成的样本具有较高的互信息。这样c用于表示数据某个方面的语义信息，z用于表示样本x中与c无关的其它信息。其实网络在最后实现的时候，infoGan可以看成三个网络组成：(1)生成网络x=G(c,z)；(2)判别真伪网络y1=D1(x);(3
机器学习基础（二十五）—— Feature Selection
03-26 1418
特征可以被选择（筛选、过滤）的前提是，原始的特征空间中存在： （1）冗余特征（redundant feature），比如年龄与生日 （2）与目标问题不相关特征（irrelevant feature），保险类型与最终的癌症预测。 原始的 x=(x1,x2,…,xd)→ϕ(x)=(xi1,xi2,…,xid′)\mathbf x=(x_1, x_2,\ldots,x_d)\rightarrow \phi
梯度下降学习率的设定策略
得克特
04-23 1万+
发现一篇写的很好的关于学习率的文章 本文转载自卢明冬的博客-梯度下降学习率的设定策略 1.学习率的重要性 1）学习率设置太小，需要花费过多的时间来收敛 2）学习率设置较大，在最小值附近震荡却无法收敛到最小值 3）进入局部极值点就收敛，没有真正找到的最优解 4）停在鞍点处，不能够在另一维度继续下降 梯度下降算法有两个重要的控制因子：一个是步长，由学习率控制；一个是方向，由梯度指定。 2.学习率的设定...
Attentional Feature Fusion 注意力特征融合
热门推荐
执笔画红颜丶的博客
08-25 2万+
看到一篇比较不错的特征融合方法，基于注意力机制的 AAF ，与此前的 SENet、SKNet 等很相似，但 AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在 Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！
NeurIPS | 2018
u014033218的专栏
04-07 1万+
https://nips.cc/Conferences/2018/Schedule?type=Poster Toggle Poster Visibility Poster Tue Dec 4th 10:45 AM -- 12:45 PM @ Room 210 #1 Modelling sparsity, heterogeneity, reciprocity and communit...
后门防御经典背景文献（综述）
weixin_43999137的博客
10-06 1644
总结： 攻击者可以通过修改训练数据和模型参数来将后门嵌入到模型中。 因此，大多数针对后门攻击的检测算法都是针对input samples和model parameters，通过恶意输入和良性输入在后门模型中的统计差异来进行区分。 防御者对于攻击者生成的带触发器的输入往往是得不到的，所以一般场景下，都是围绕着model parameters去设计防御。 Fine-Pruning Liu K, Dolan-Gavitt B, Garg S. Fine-pruning: Defending against b
[] - 2022-11-24 时序最新研究（附源码）-NeuIPS 2022.pdf
最新发布
12-11
本文是一篇关于时序数据分析的综述，涵盖了NeurIPS 2022（神经信息处理系统大会）中最新的研究成果，这个会议是机器学习和计算神经科学领域的顶级国际会议。作者vachel在时序人平台上分享了关于时间序列领域的23篇...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值