PulseAugur
中
实时 16:09:46
English(EN) Interpretable Self-Supervised Learning via Representer Landmarks and Nystr\"om Approximation

新框架KREPES增强了自监督学习的可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了KREPES，这是一个旨在提高自监督学习（SSL）模型可解释性的新框架。KREPES使用一种称为表示法地标的方法，该方法识别有影响力的训练样本来解释学习到的表示。该框架还可以量化这些表示的透明度，并揭示了数据集中存在的偏见，例如使用人口统计代理来预测Adult-1M数据集中的收入。为了处理ImageNet-1K等大型数据集，KREPES采用了Nyström近似以实现可扩展性。 AI

影响 增强了自监督模型中的透明度，可能有助于偏见检测和模型审计。

排序理由 该集群包含一篇详细介绍自监督学习新研究框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Maedeh Zarvandi, Michael Timothy, Theresa Wasserer, Debarghya Ghoshdastidar ·

    通过表示法地标和Nyström近似的可解释自监督学习

    arXiv:2509.24467v3 Announce Type: replace-cross Abstract: Self-supervised learning (SSL) learns representations from massive unlabeled data, yet the resulting models typically operate as black boxes, necessitating domain-specific explanations. We introduce KREPES, a unified frame…

相关实体

相关话题