PulseAugur
中
实时 11:57:30
English(EN) Optimized Instance Alteration for Explaining and Assessing Robustness of Classifiers

新方法评估分类器鲁棒性和可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种评估机器学习分类器鲁棒性和可解释性的新方法。该方法使用优化框架来扰动输入实例，旨在实现特定的目标标签，同时确保修改是可解释的。该框架包含一个可解释性感知 L0 惩罚项以促进稀疏修改，以及一个分类器损失来指导扰动实例。该方法可以通过定义实例修改的容差区域来识别错误分类的原因并评估鲁棒性，该容差区域由新的容差区域混淆矩阵量化。 AI

影响 提供了一个新的框架来理解和改进 AI 模型的可靠性。

排序理由 该集群包含一篇详细介绍分类器分析新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法评估分类器鲁棒性和可解释性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Evgenii Kuriabov, David Miller, Jia Li ·

    Optimized Instance Alteration for Explaining and Assessing Robustness of Classifiers

    arXiv:2607.06637v1 Announce Type: new Abstract: In this work, we propose a unified approach for diagnosing misclassification and assessing the robustness of black-box classifiers. Central to our method is an optimization framework that modifies an instance so that the classifier …

相关话题