实体
Feature Selection Layer
Feature Selection Layer
PulseAugur coverage of Feature Selection Layer — every cluster mentioning Feature Selection Layer across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的事后FSL增强了神经网络的可解释性
研究人员开发了一种事后特征选择层(FSL),以提高预训练神经网络的可解释性。这个可训练模块与冻结的模型集成,以识别和突出显示原始模型认为最重要的特征,而不会改变其架构或参数。在合成和真实世界表格数据集上的实验表明,事后FSL在保持原始模型预测准确性的同时成功识别了相关特征,并且优于集成梯度和DeepLIFT等其他可解释性方法。
-
新的特征选择层增强了神经网络的可解释性
研究人员已对特征选择层(一种嵌入式神经网络方法)进行了扩展,以提高多类别分类任务的可解释性。该方法将特征相关性学习直接整合到模型训练过程中,旨在捕捉传统嵌入式方法通常会遗漏的特定于标签的关系。实验表明,所提出的扩展在识别全局相关特征方面与现有技术相当,但在揭示单个特征如何促成分类特定标签的预测方面优于它们,且无需进行后处理。
-
新的神经模型通过特征选择增强了可解释性和效率
研究人员开发了新的神经加性模型和基模型,它们结合了特征选择,以提高计算效率和减小模型尺寸。这些模型由 Shinichi Shirakawa 提出,通过使用神经网络作为非线性形状函数来构建广义加性模型 (GAM),提供了高度的可解释性和特征贡献的可视化。特征选择层的引入解决了之前在处理特征交互或高维数据集时遇到的计算瓶颈,使得在保持与现有 GAM 相当或更好的性能的同时,能够进行更有效的训练和减小模型尺寸。