深度学习可解释性学习资料汇总

本文汇总了深度学习和机器学习模型可解释性的丰富资源,包括张拳石教授的知乎分享、AAAI2020的可解释人工智能教程、深度神经网络的可解释性方法及代码实现、学术论文和多个知名机构的教程,涵盖了从理论到实践的多个方面。
摘要由CSDN通过智能技术生成
一、著名的大佬课题组

1、张拳石教授的知乎

【导读】张老师的知乎个人简介:
I am leading a group for explainable AI. The related topics include explainable CNNs, explainable generative networks, unsupervised semanticization of pre-trained neural networks, and unsupervised/weakly-supervised learning of neural networks. I aim to end-to-end learn interpretable models and/or unsupervisedly transform the black-box knowledge representation of pre-trained neural networks into a hierarchical and semantically interpretable model.

【网址】https://www.zhihu.com/people/quanshi.zhang/posts
【来源】知乎—张拳石

二、相关的博文汇总

1、神经网络可解释性、深度学习新方法,2020年有哪些不可挡的研究趋势?

【导读】英伟达工程师 Chip Huyen 根据参加的 NeurIPS 2019会议,总结了深度学习领域关键的研究趋势。

【网址】https://mp.weixin.qq.com/s/gU0IlDcuQXwqm16h64J_kA
【来源】该翻译来自于 “AI科技评论”微信公众号。

2、AAAI2020最新[可解释人工智能XAI]230页PPT从基础理论到工业应用、实际挑战和经验教训

【导读】2020 年 2 月 7 日-2 月 12 日,AAAI 2020 于美国纽约举办。AAAI2020关于可解释人工智能的Tutorial引起了人们极大的关注,这场Tutorial详细阐述了解释黑盒机器学习模型的术语概念以及相关方法,涵盖基础、工业应用、实际挑战和经验教训,是构建可解释模型的重要指南.

【网址】https://mp.weixin.qq.com/s/JVqgSCO8a6-SEHOwKSwDrQ
【原文网址】https://xaitutorial2020.github.io/
【来源】该文章来源于“专知”微信公众号。

3、深度神经网络可解释性方法汇总,附Tensorflow代码实现

【导读】本文就来介绍几种神经网络的可解释性方法,并配有能够在Jupyter下运行的代码连接。
【网址】https://mp.weixin.qq.com/s/x4Ie2w7PthywE-fW_zol4w
【来源】该文章来源于“新智元”微信公众号。

4、机器学习模型可解释性的详尽介绍

【导读】模型可解释性方面的研究,在近两年的科研会议上成为关注热点,因为大家不仅仅满足于模型的效果,更对模型效果的原因产生更多的思考,这样的思考有助于模型和特征的优化,更能够帮助更好的理解模型本身和提升模型服务质量。本文对机器学习模型可解释性相关资料汇总survey。
【网址】https://mp.weixin.qq.com/s/JEIxzuPDrbvSJjpHExaI_w
【来源】该文章来源于“腾讯技

  • 3
    点赞
  • 75
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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