实体
InputXGradient
InputXGradient
PulseAugur coverage of InputXGradient — every cluster mentioning InputXGradient across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
自解释强化学习增强移动网络资源分配
研究人员开发了一种方法，通过将自解释神经网络（SENNs）集成到近端策略优化（PPO）代理中，使强化学习（RL）模型更加透明。该方法生成内在的局部解释，可以聚合为全局解释。当应用于移动网络资源分配时，SENN增强的RL模型在性能上接近最先进的深度学习方法，并显著优于现有的启发式方法，同时其解释与其他可解释性技术（如DeepLift和InputXGradient）显示出很强的相关性。
-
新方法增强了图像和表格数据的AI模型可解释性
研究人员开发了两种改进机器学习模型特征归新的方法。Spectral Integrated Gradients (SIG) 使用奇异值分解创建从粗到细的归因路径，从而为图像分类生成更清晰的图谱。另外，AGOP-IxG 提供了一种快速的表格数据逐样本归因方法，在准确性方面优于基线方法，并且与 SHAP 等方法相比显著缩短了计算时间。