本文介绍了一种新颖的后验贝叶斯解释方法，用于深度学习分类器在电能质量扰动识别中的应用。该方法采用拉普拉斯近似来有效地推导出近似参数后验，从而能够生成扰动定位图的分布。这种方法提供了具有可靠性度量的解释，能够锐化特定事件的定位，并指示在噪声或域偏移下的解释分散性。 AI
影响 增强了关键基础设施应用中已部署的AI模型的可靠性和可解释性。
排序理由 该项目是一篇学术论文，详细介绍了一种解释机器学习模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Bayesian explanation
- Deep Ensembles
- Deep Learning Classifiers for Automated Detection of Gonioscopic Angle Closure Based on Anterior Segment OCT Images
- Laplace Approximation
- Monte Carlo Dropout
- POWER QUALITY DISTURBANCE CLASSIFICATION USING S-TRANSFORM AND RADIAL BASIS NETWORK
- Shap
- Yinsong Chen
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
