TransMIL_MIL文献阅读（1） 多实例学习（MIL）文献阅读记录—— "TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification"
机器学习可解释性（三）——影响函数（Influence function）推导 影响函数是一个应用广泛的统计学习概念，可以用来衡量样本对模型参数的影响程度，也就是样本的重要性。可以被用于提供模型的解释，实现机器学习算法的可解释性。本文主要从影响函数的用途出发，介绍影响函数的计算方法和推导过程。
机器学习可解释性(二) —— 类激活映射(CAM) 类激活映射（Class Activation Mapping,CAM）方法作为一类显著图算法的“开山之作”，其思想影响了后续诸多方法的产生。本文将在CAM的基础上，介绍的GradCAM, GradCAM++, LayerCAM的实现原理及相关实验。
VAE变分自编码器 Variational Autoencoder(VAE)作为一类深度生成模型，是由 Kingma 等人于 2014 年提出的基于变分贝叶斯（Variational Bayes，VB）推断的生成式网络结构。与传统的自编码器通过数值的方式描述潜在空间不同，它以概率的方式描述对潜在空间的观察，在数据生成方面表现出了巨大的应用价值。是无监督学习领域的重要研究课题。
机器学习可解释性(一) —— 累积局部效应图(ALE) 一、序言深度学习的“黑盒”特性如今越来越让计算机工作者困扰，因此模型的可解释性问题在近些年越来越受到人们的关注。作为该领域的萌新，我开始一点点学习相关领域的内容，参考的书籍是：《Interpretable Machine Learning》。书中从最基本的可解释性算法讲起，再到基于深度神经网络的可解释性算法。随着对本书学习的深入，我也将更新关于书籍的更多内容的学习记录。二、算法介绍2.1 算法背景累积局部效应 (Accumulated Local Effects Plot) 描述了特征平均如何影响机
关注
