04 2020 档案

摘要：5.14更新 LIME 动机：在全局中独立变量对结果的影响可能非常复杂，难以直观得到关系 如果专注于一个局部，可以把他们的关系近似为线性模型 提出 Local Interpretable Model-Agnostic Explanations，在一组可解释的表示上确定一个可解释的模型，使这个模型在局部与分类器一致 可解释的数据表示 Interpretable Data Repres... 阅读全文

摘要：背景 现有机器学习解释方法专注于后验解释。主要通过： 无法获取模型内部信息，对每个样本进行局部分析； 构造query来获取模型输入输出之间局部的关系。 现有的困难主要包括： 如何定义局部性（如结构化的数据）； 解释的可辨识性； 计算代价（有些算法需要复杂的优化过程）。 然而，逐样本的解释无法在邻域输 阅读全文

摘要：为了实现稀疏性（使中间层一定比例的系数为0），加入L1Penalty。pytorch实现如下： Sparse AutoEncoder (Andrew Ng) 在AE中，我们希望中间层维数尽量少，实现数据的“压缩”表达。实际应用中，这样学到的隐层通常跟PCA效果类似。 通过引入一些限制，即使隐层维度较 阅读全文

摘要：大数据比赛常用的方法 阅读全文