- 博客(4)
- 收藏
- 关注
RSS订阅原创 论文阅读：A Benchmark for Interpretability Methods in Deep Neural Networks
机器学习可解释性方法的评估
2022-06-02 15:43:50
374
原创 论文阅读：Evaluating explanation without ground truth in interpretable machine learning
https://arxiv.org/abs/1907.06831Yang F, Du M, Hu X. Evaluating explanation without ground truth in interpretable machine learning[J]. arXiv preprint arXiv:1907.06831, 2019.0 Abstract可解释机器学习（IML）在许多现实世界的应用中变得越来越重要，例如自动驾驶汽车和医疗诊断，在这些应用中，解释可以帮助人们更好地理解机.
2022-05-30 14:51:37
254
原创 论文阅读：机器学习模型可解释性方法、应用与安全研究综述
机器学习模型的可解释性近日阅读了一篇讲述可解释性的中文综述文章机器学习模型可解释性方法、应用与安全研究综述，对模型可解释性的相关知识有了进一步的了解。本文是阅读这篇综述的一些笔记以内容摘要。0 引言背景：虽然机器学习和人工智能技术在人脸识别、自动驾驶、恶意软件检测和智慧医疗分析等领域得到了广泛的应用，但大多数情况下机器学习模型尤其是深度神经网络如同黑盒一般，人们无法确切地知道模型背后的决策依据是什么，也无法保证决策的可靠性。缺乏可解释性称为机器学习在现实任务中的进一步发展和应用的主要障碍之一。本文的
2022-05-12 13:53:32
1540
原创 《深入浅出强化学习：原理入门》学习笔记
1.绪论1.1 这是一本什么书语言风格偏口语化 数学基础穿插在讲解具体的强化学习算法当中 每部分都包含理论讲解、代码讲解以及直观解释三项内容 内容丰富，涵盖强化学习算法的各个方面，从最基础的算法到最前沿的算法都有所涉猎1.2 强化学习可以解决什么问题 用一句话来概括强化学习能解决的问题就是：智能决策问题。更确切地说是序贯决策问题。序贯决策问题：需要连续不断地做出决策，才能实现最终目标的问题1.3 强化学习如何解决问题 监督学习解决的...
2021-10-01 23:49:18
857
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人