解释任何ML模型？--关于XAI的目标和能；基于梯度的动态RRAM阵列神经形态学习；SARNet：大规模城市点云的语义增强注册；基于加权一致性指数损失的多模式生存模型在鼻咽癌放疗放射性脑病评估中的应用

可解释的机器学习

中文标题：解释任何ML模型？–关于XAI的目标和能力
英文标题：Explaining Any ML Model? – On Goals and Capabilities of XAI
时间：2022.6.28
作者：Moritz Renftle, Holger Trittenbach, Michael Poznic, Reinhard Heil
机构：卡尔斯鲁厄理工学院（Karlsruhe Institute of Technology）
链接：https://arxiv.org/pdf/2206.13888.pdf
简介：机器学习（ML）的日益普及促使人们研究解释ML模型及其预测的算法，即所谓的可解释人工智能（XAI）。尽管有许多调查论文和讨论，但XAI算法的目标和功能远未得到很好的理解。我们认为这是因为XAI文献中存在一个有问题的推理方案：据说XAI算法可以用所需的属性（如“可解释性”或“可解释性”）来补充ML模型。反过来，假设这些属性有助于实现目标，如ML系统中的“信任”。但大多数财产缺乏精确的定义，它们与这些目标的关系也远非显而易见。结果是一个推理方案混淆了研究结果，留下了一个重要的问题没有答案：人们能从XAI算法中得到什么？在本文中，我们从一个具体的角度阐明了XAI算法的目标和功能：用户的目标和功能。只有当用户对ML模型有疑问时，才有必要对其进行解释。我们表明，用户可以提出各种各样的问题，但当前的XAI算法只能回答其中一个问题。根据ML应用程序的不同，回答这个核心问题可能很琐碎、困难甚至不可能。基于这些见解，我们概述了决策者、研究人员和社会可以从XAI算法中合理期望的能力。

异步脉冲神经网络

中文标题：基于梯度的动态RRAM阵列神经形态学习
英文标题：Gradient-based Neuromorphic Learning on Dynamical RRAM Arrays
时间：2022.6.26
作者：Peng Zhou, Jason K. Eshraghian, Dong-Uk Choi, Wei D. Lu, Sung-Mo Kang
机构：加利福尼亚大学圣克鲁兹分校（University of California，Santa Cruz）、密歇根大学（University of Michigan）
链接：https://arxiv.org/pdf/2206.12992.pdf
简介：我们提出了MEMprop，即采用基于梯度的学习来训练完全记忆尖峰神经网络（MSNN）。我们的方法利用内部设备动态触发自然产生的电压尖峰。记忆动力学发出的这些尖峰本质上是模拟的，因此是完全可微的，这消除了对尖峰神经网络（SNN）文献中流行的替代梯度方法的需要。记忆神经网络通常要么将记忆器集成为映射离线训练网络的突触，要么依赖联想学习机制来训练记忆神经元网络。相反，我们将时间反向传播（BPTT）训练算法直接应用于记忆神经元和突触的模拟SPICE模型。我们的实现是完全记忆的，因为突触权重和尖峰神经元都集成在电阻RAM（RRAM）阵列上，而不需要额外的电路来实现尖峰动态，例如模数转换器（ADC）或阈值比较器。因此，高阶电生理效应被充分利用，以在运行时使用记忆神经元的状态驱动动力学。通过转向基于非近似梯度的学习，我们在之前报告的轻量级密集完全MSNN中，在几个基准上获得了极具竞争力的精度。

大规模语义网络

中文标题：SARNet：大规模城市点云的语义增强注册
英文标题：SARNet: Semantic Augmented Registration of Large-Scale Urban Point Clouds
时间：2022.6.27
作者：Chao Liu, Jianwei Guo, Dong-Ming Yan, Zhirong Liang, Xiaopeng Zhang, Zhanglin Cheng
机构：中国科学院
链接：https://arxiv.org/pdf/2206.13117.pdf
简介：由于激光雷达扫描数据的大规模、噪声和数据的不完整性，城市点云的配准是一项极具挑战性的任务。在本文中，我们提出了一种新的语义增强注册网络SARNet，旨在实现城市规模的城市点云高效注册。与以往只在点级空间构造对应关系的方法不同，我们的方法充分利用语义特征来辅助提高配准精度。具体来说，我们使用高级语义分割网络提取逐点语义标签，并构建先验语义部分到部分的对应关系。然后，我们将语义信息整合到基于学习的注册管道中，该管道由三个核心模块组成：基于语义的最远点采样模块，用于有效过滤异常值和动态对象；语义增强的特征提取模块，用于学习更多的鉴别点描述符；一种语义精细化变换估计模块，该模块利用先验语义匹配作为掩码，通过减少错误匹配来优化点对应，以更好地收敛。我们通过使用来自大区域城市场景的真实数据，并将其与其他方法进行比较，对拟议的SARNet进行了广泛评估。代码位于https://github.com/WinterCodeForEverything/SARNet。

脑机接口

中文标题：基于加权一致性指数损失的多模式生存模型在鼻咽癌放疗放射性脑病评估中的应用
英文标题：Weighted Concordance Index Loss-based Multimodal Survival Modeling for Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy
时间：2022.6.23
作者：Jiansheng Fang, Anwei Li, Pu-Yun OuYang, Jiajian Li, Jingwen Wang, Hongbo Liu, Fang-Yun Xie, Jiang Liu
机构：哈尔滨工业大学、中国科学技术大学、中山大学
链接：https://arxiv.org/pdf/2206.11458.pdf
简介：放射性脑病（REP）是鼻咽癌放疗最常见的并发症。根据复发的可能性，协助临床医生优化鼻咽癌放疗方案，以减少放疗引起的颞叶损伤（RTLI）。据我们所知，这是首次在鼻咽癌放疗方案中联合利用图像和非图像数据预测放疗诱发REP的探索。我们将REP预测作为生存分析任务，并根据一致性指数（CI）评估预测准确性。我们设计了一个具有两个特征提取器的深度多模态生存网络（MSN），以从多模态数据中学习有区别的特征。一个特征提取器对非图像数据进行特征选择，另一个从图像中学习视觉特征。因为直接最大化CI的优先平衡CI（BCI）损失函数对每批不均匀采样很敏感。因此，我们提出了一种新的加权CI（WCI）损失函数，通过双重平均操作分配所有REP样本的不同权重，从而有效地利用所有REP样本。我们进一步为WCI引入了一个温度超参数，以锐化样本对的风险差异，帮助模型收敛。我们在一个私有数据集上对WCI进行了广泛的评估，以证明其相对于同行的优势。实验结果还表明，鼻咽癌放疗的多模式数据可以为REP风险预测带来更多收益。