本文主要是介绍深度学习可解释性学习资料汇总,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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
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
这篇关于深度学习可解释性学习资料汇总的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!