Explainable

【论文不精读】Reinforced Path Reasoning for Counterfactual Explainable Recommendation

ReinforcedPathReasoningforCounterfactualExplainableRecommendation1Introduction现代推荐系统在对复杂的用户或者商品上下文进行建模时变得十分复杂并且不透明。例如社会关系（[1]Becausal:De-biasingsocialnetworkconfoundinginrecommendation)和商品标签([2]Levera
han1254·2022-11-13 14:42

可解释性机器学习( Explainable Artificial Intelligence (XAI) )文献阅读记录(1.1)

文章目录论文标题：ExplainableArtificialIntelligence(XAI):Concepts,taxonomies,opportunitiesandchallengestowardresponsibleAI1.Introduction引言2.可解释性：what,why,whatforandhow?2.1TerminologyClarification术语澄清2.2What？（是
Lucy@IshtarXu·2022-08-21 17:11

KPRN - Explainable Reasoning over Knowledge Graphs for Recommendation 知识图谱上的可解释推理用于推荐

ExplainableReasoningoverKnowledgeGraphsforRecommendation-HeXiangnan目录1.摘要Abstract2.介绍Introduction3.知识感知的路径循环网络4.实验部分5.相关工作6.总结1.摘要Abstract通过研究知识图谱中的连接，可以将用户项目之间的连接作为路径这种连接不仅揭示了实体和关系的语义，还有助于理解用户的兴趣在本文中
枫色幻想·2022-07-02 07:29

2021李宏毅机器学习笔记--11 explainable ML

2021李宏毅机器学习笔记--11explainableML摘要一、局部可解释性1.1基本思想1.2移除组成要素1.3改变组成要素1.4局限性1.5实例（pokemonvsdigimon）二、全局可解释性2.1反向寻找理想输入2.2输入正则化三、用模型解释模型3.1使用线性模型3.2使用决策树总结摘要可解释性分为两种，一种是局部可解释性，一般指的是机器说明如何判断这个样例(例如分类问题中，机器如何
guoxinxin0605·2022-06-07 07:21

Explainable AI初探

ExplainableAI初探1.我们为什么需要可解释性？2.可解释性方法的分类（1）自解释or事后解释（2）特定于模型(Model-specific)的or与模型无关(Model-agnostic)的（3）全局(Global)or局部(Local)3.读论文：BenchmarkingDeepLearningInterpretabilityinTimeSeriesPredictions[^4]3.
Drawing1998·2022-05-19 07:14

人工智能-机器学习：机器学习的可解释性（Explainable Machine Learning）

这些词与可解释性(explainable)之间到底存在什么样的关系?最近有篇来自
u013250861·2022-04-16 07:48

实用机器学习笔记（七）：决策树

DecisionTrees(决策树)2.RandomForest(随机森林)3.GradientBoostingDecisionTrees(梯度提升决策树)4.Summary1.DecisionTrees(决策树)优点Explainable
留小星·2022-03-15 07:39

可解释性推荐(2): Dynamic Explainable Recommendation Based on Neural Attentive Models

本文是自己在推荐系统研究中研读的论文翻译及解读，原文：DynamicExplainableRecommendationBasedonNeuralAttentiveModelsAAAI2019会议论文本篇笔记为本人原创，如需转载引用，请务必在文中附上原链接及相应说明，包括作者信息（阿瑟）本篇笔记非标准译文，其中包含了笔者自己对问题的部分理解，仅供参考，欢迎学习交流摘要在推荐系统中提供解释越来越受到业
阿瑟_TJRS·2022-02-16 10:06

MySQL: 使用explain 优化查询性能

格式如下：{EXPLAIN|DESCRIBE|DESC}tbl_name[col_name|wild]{EXPLAIN|DESCRIBE|DESC}[explain_type]{explainable_stmt
·2021-10-29 09:45

A Guide for Making Black Box Models Explainable

2.1可解释性的重要性可解释重要性原文如果一个机器学习的模型表现良好，我们为什么不能直接相信这个模型，并且忽略为什么它做了这样的决策？。原因是，仅靠一个指标（loss），例如分类准确性，是一个对现实世界中大多数任务的不完整描述。（Doshi-VelezandKim20175），所以我们想要知道为什么这个模型做了某个决策。我们深入探讨解释性重要的原因是，当提到一个预测模型，你必须做出一个权衡：你仅仅
水球喵·2021-06-11 22:55

机器学习可解释性的理解 Explainable Machine Learning

算法的可解释性本文参考南洋理工大学李宏毅教授对数据可解释性的看法。ModelExplaination1.为什么要解释算法在某些场景，我们在使用一些机器学习模型处理数据以得到结果时，往往也会寻求一个解释，也就是数据的结果是从何而来的。举个例子，医生在使用医疗诊断的模型获得诊断结果时。医生或是病人不可能仅仅依靠得到的结果就决定病情。重要的是，通过结果得到的过程，也就是结果的解释最终确定结果是可以被认可
SIHENG HUANG·2021-05-16 00:35

可解释的机器学习|深度学习（李宏毅）（十一）

一、概述分类通常一个深度学习模型是黑盒子的，但我们也希望有一些方法来使得模型是可解释的（Explainable/Interpretable）。
酷酷的群·2021-03-28 20:29

MySQL：一文搞懂EXPLAIN命令

格式如下：{EXPLAIN|DESCRIBE|DESC}tbl_name[col_name|wild]{EXPLAIN|DESCRIBE|DESC}[explain_type]{explainable_stmt
简单随风·2020-09-15 08:19

翻译（笔记）：可解释性推荐系统综述Explainable Recommendation: A Survey and New Perspectives

本文是对“ExplainableRecommendation:ASurveyandNewPerspectives”的一篇学习记录和关键内容翻译，如有不对的地方，请批评指正，谢谢！这篇文章主要包括以下几个部分：目录1introduction1.1explainablerecommendation1.2ahistoricaloverview1.3classificationofthemethods2d
君子慎独_诚意·2020-08-16 09:50

EXPLAIN FORMAT=json和EXPLAIN ANALYZE查询计划解读

语法：EXPLAIN[explain_type]{explainable_stmt}explain_type: {EXTENDED|PARTITIONS|FORMAT=format_name}format_name
陈晨辰~·2020-08-05 03:57

2020李宏毅学习笔记——23.Explainable ML(4_8)

1.GlobalExplanation——Explainthewholemodel也就是说回答机器心里的猫到底是长什么样？机器对于某一类别的认知是什么？机器认为的最像某一类别的图片长什么样子？是不是和我们认为的一样呢？思路：：当模型输出某一类别的可能的概率值最大时候，输入长什么样子？ActivationMinimization(review)的复习假设我们已经训练好了NN，并且已经给定了yi,那么
是汤圆啊·2020-08-04 07:20

2020李宏毅学习笔记——21.Explainable ML(1_8)

1.概论：ExplainableML1.1是个啥ExplainableML主要就是告诉你，为什么会这样。主要分为两种：①localexplanation:whydoestheNNthinkthisimageisacat?②globalexplanation:whatdoestheNNthinkacatlooklike?1.2为什么有ExplainableML我们在用机器判断履历的时候，你得知道它是
是汤圆啊·2020-08-04 07:20

Explainable AI 可解释的人工智能----李宏毅教授机器学习课程笔记四

可解释的人工智能课程视频地址文章目录1引言为啥需要可解释呢？模型可解释v.s模型强大2LocalExplanation--Explainthedecision思路方法一方法二***梯度方法存在的问题Explanation技术也可能被恶意攻击实际例子3GlobalExplanation——Explainthewholemodel思路需要加约束用生成器来替换上面的约束4Usingamodeltoexp
humuhumunukunukuapua·2020-08-04 06:32

李宏毅学习笔记18.Explainable ML

文章目录简介例子原因MythofExplainableMLInterpretablev.s.PowerfulLocalExplanation:ExplaintheDecisionBasicldeaLimitationofGradientbasedApproachesAttackInterpretation?!CaseStudy:Pokémonv.s.DigimonSaliencyMap分析GLOB
oldmao_2001·2020-08-03 20:00

【李宏毅】机器学习 笔记11（Explainable ML）

ExplainableML：简单来说，就是在机器做learning时，在预测出结果的同时，给出这样预测的理由，解释它学到的东西。主要分为两类：1、LocalExplainable2、GlobalExplainableexplainableml可以给我们一些改进model的参考：李宏毅老师的个人观点：Localexplaination:基本思想：就是通过删除或修改一些组件的值，然后观察变化，来看这些
Mr_Kingk·2020-08-03 10:15

论文翻译——DREBIN : Effective and Explainable Detection of Android Malware in Your Pocket

0-abstract恶意应用程序对Android平台的安全性构成了威胁。这些应用程序的数量和多样性不断增长，使得传统的防御措施在很大程度上无法发挥作用，因此，Android智能手机经常无法免受新型恶意软件的攻击。在本文中，我们提出了DREBIN，这是一种用于检测Android恶意软件的轻量级方法，可以直接在智能手机上识别恶意应用程序。由于有限的资源阻碍了在运行时监视应用程序，因此DREBIN进行了
Arielwyy·2020-07-28 09:26

论文笔记：TEM: Tree-enhanced Embedding Model for Explainable Recommendation

一、基本信息论文题目：《TEM:Tree-enhancedEmbeddingModelforExplainableRecommendation》发表时间：WWW2018论文作者及单位：论文地址：https://dl.acm.org/citation.cfm?doid=3178876.3186066二、摘要虽然协同过滤是个性化推荐中的主要技术，但它只对用户-项目交互进行建模，不能提供推荐的具体原因。
塘朗老实人·2020-07-28 07:17

MySQL执行计划

EXPLAIN输出格式EXPLAIN语法{EXPLAIN|DESCRIBE|DESC}tbl_name[col_name|wild]{EXPLAIN|DESCRIBE|DESC}[explain_type]{explainable_stmt
dbtrd733355·2020-07-15 22:11

zz[读书笔记]《Interpretable Machine Learning》

[读书笔记]《InterpretableMachineLearning》Jul19,2019看到这本书，特意翻了下微博妖僧老冯_之前的一条微博，这样写道：“在机器学习里，Explainable和Interpretable
chenxuanhanhao·2020-07-15 13:33

MySQL Explain 详解

语法：EXPLAIN[explain_type]{explainable_stmt}explain_type:{EXTE
无敌小周周·2020-07-14 23:23

Explainable Reasoning over Knowledge Graphs for Recommendation

ExplainableReasoningoverKnowledgeGraphsforRecommendation摘要将知识图谱引入推荐中存在的问题未充分探索用于推断用户偏好的这种连接性对路径内的顺序性和整体语义建模方面存在不足提出解决问题的模型KPRN（知识感知路径递归网络），利用知识图谱做推荐KPRN的核心KPRN利用路径中的顺序依赖关系，我们可以在路径上进行有效推理，以推断用户与项目交互的基本
qq_41621342·2020-07-11 20:55

Explainable Reasoning over Knowledge Graphs for Recommendation基于知识图谱路径推理的可解释推荐

摘要近年来，将知识图引入推荐系统引起了越来越多的关注。通过研究知识图中的相互关系，可以发现用户与项目之间的连接是路径，这为用户与项目之间的交互提供了丰富和互补的信息。这种连通性不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的工作还没有完全探索这种连接来推断用户的偏好，特别是在建模路径内部的顺序依赖关系和整体语义方面。本文提出了一种新的知识感知路径递归网络(KPRN)模型，利用知识
sun-T·2020-06-26 20:21

Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

JointlyLearningExplainableRulesforRecommendationwithKnowledgeGraphABSTRACT构建推荐系统的两个关键层面可解释性有效性与先前提出做推荐的方法比较基于神经网络嵌入方法缺点：大多数无法给出可解释的推荐结果基于图形的方法eg.基于元路径的模型。需要人工干预和领域知识定义模式和规则，而且忽略了项目关联类型提出一种新的联合学习框架目的将知
qq_41621342·2020-06-25 20:06

论文笔记：《Reinforcement Knowledge Graph Reasoning for Explainable Recommendation》

阅读日期：2020.2.18二次阅读日期：2020.5.7github地址：PGPRMethod发现问题目前，个性化推荐中，基于知识图谱进行推理的方法主要有两大类：利用知识图谱的embedding模型如TransE、node2vec主要通过计算实体之间的表示距离来发现它们之间的相似性缺点：缺乏发现muti-hop关系路径的能力，解释性不够强研究基于路径(path-based)的推荐缺点：在大规模知
AD钙奶hhhhh·2020-06-25 15:20

论文Reinforcement Knowledge Graph Reasoning for Explainable Recommendation笔记;可解释的推荐系统

ReinforcementKnowledgeGraphReasoningforExplainableRecommendationabstract与大多数现有的方法不同，这篇文章致力于实现明确的可解释推荐，在知识图谱中得到明确的理由从而进行推荐。提出了一个Policy-GuidedPathReasoning(PGPR)方法提出了四个主要贡献，在introduction又详细写了下introducti
chaiiiiiiiiiiiiiiiii·2020-06-25 13:31

Explainable Reasoning over Knowledge Graphs for Recommendation

ExplainableReasoningoverKnowledgeGraphsforRecommendation1.摘要近年来，将知识图结合到推荐系统中已引起越来越多的关注。通过探索知识图中的互连链接，可以将用户和项之间的连接发现为路径，从而为用户项交互提供丰富且互补的信息。这种连接不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的努力尚未充分探索用于推断用户偏好的这种连接性，尤其
湖南大学研究生-杜敏·2020-06-25 00:18

Explainable AI (XAI) 不能解释什么 以及我们如何解决这个问题

神经网络准确但不可解释，决策树是可解释的，但在计算机视觉中是不准确的。对于这种问题，我们在本文有一个解决办法。来自IEEE会员CuntaiGuan，他承认“manymachinedecisionsarestillpoorlyunderstood"。大多数论文甚至在准确性和可解释性之间提出严格的二分法.ExplainableAI(XAI)试图填补这个鸿沟，但正如我们下面所解释的，XAI在不直接解释模
deephub·2020-06-24 12:49

ML 模型不等于“黑盒”：explainable AI 可解释的人工智能

可解释的人工智能（explainableAI）是机器学习领域热门话题之一。机器学习模型通常被认为是“黑盒”，具有内部不可知的特性。因此这些模型在应用时，往往需要首先获取人们的信任、明确其误差的具体含义、明确其预测的可靠性。本文中，我们将探讨explainableAI的内涵及其重要性，并且提供了几个案例以帮助理解。可解释人工智能的含义现阶段机器学习的工作流程（从训练到工业应用）大致如下：ML工作流程
deephub·2020-06-24 12:19

What Does Explainable AI Really Mean? A New Conceptualization of Perspectives

https://arxiv.org/pdf/1710.00794.pdfAbstract.WecharacterizethreenotionsofexplainableAIthatcutacrossresearchfields:opaquesystemsthatoffernoinsightintoitsalgo-rithmicmechanisms;interpretablesystemswhere
朱小虎XiaohuZhu·2020-03-18 05:42

可解释的机器学习，用于科学的见解和发现（Explainable Machine Learning for Scientific Insights and Discoveries）

可解释的机器学习，用于科学的见解和发现（ExplainableMachineLearningforScientificInsightsandDiscoveries）原文作者：RibanaRoscher,BastianBohn,MarcoF.Duarte,andJochenGarcke翻译：Wendy摘要（Abstract）  机器学习方法在从数据中抽取重要的基础信息的广泛应用领域中已经取得了巨大成功
Wendy_WHY_123·2020-02-16 22:33

论文笔记:OpenDialKG:Explainable Conversational Reasoning with Attention-based Walks over Knowledge Graph

文章目录一、动机二、方法三、模型四、实验结果五、总结一、动机如何根据知识图谱在领域不可知的前提下保证对话系统的参与性和有效性是一个很重要的问题。基于此，作者将一段对话模拟为在知识图谱上的路径（可能是多条），以此使得对话系统具有可解释性。对话示例如下所示：二、方法该模型是根据(1)当前对话(2)以前的所有对话(3)当前对话中的实体，预测回答语句的实体，然后开放式对话系统便可以以该实体为核心组织对应的
无聊的人生事无聊·2019-10-08 15:23

A Guide for Making Black Box Models Explainable

可解释机器学习原文让黑匣子模型可以解释的指南【前言】可解释机器学习机器学习在改进产品、过程和研究方面具有巨大的潜力。机器学习模型可以做出很好的预测，但是计算机通常不能解释预测，这是我们使用机器学习时的一个障碍。这是关于使机器学习模型和模型的决策可解释的一本书。在探索了可解释性这个概念后，你将会学习到关于简单的、可解释模型比如：决策树，决策规则和线性回归。之后的章节里关注于一般的模型无关的方法来解释
水球喵·2019-02-26 19:32
上一页 1 2 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他