实体
Javier Fumanal-Idocin
Javier Fumanal-Idocin
PulseAugur coverage of Javier Fumanal-Idocin — every cluster mentioning Javier Fumanal-Idocin across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
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
-
新的证据规则学习方法增强了人工智能的透明度和准确性
研究人员推出了一种名为快速证据规则学习（FERL）的新型可解释分类方法，该方法在决策过程中提供透明度，并在不确定时弃权。FERL通过一次确定性传递直接生成证据输出，包括信念、合理性和弃权，无需辅助组件或重复推理。在对30个表格数据集的评估中，FERL在准确性方面比现有的规则学习器有了统计学上的显著改进，并且在与其他凭证分类器和分布外检测器的竞争中表现出色。
-
新AI模型增强深度学习的可解释性和可靠性 · 跟踪4个来源
研究人员引入了多模态概念瓶颈模型（MM-CBMs），通过将图像和文本嵌入与自然概念对齐来增强深度学习的可解释性。这种新方法旨在克服现有模型的局限性，例如泛化能力受限和潜在的信息泄露。MM-CBMs在零样本分类和图像检索等任务中，在提供更大透明度的同时，准确性显著提高，并能与黑盒模型竞争。另一篇论文研究了概念瓶颈模型（CBMs）中符号检测的可靠性，提出了一种缓解模型可能利用捷径导致解释不可靠问题的策略。
-
Hyper-DFS框架利用超网络增强动态特征选择
研究人员开发了一个名为Hyper-DFS的新机器学习框架，用于动态特征选择，旨在优化预算约束下的特征获取。该方法利用超网络按需为特定特征子集生成分类器参数，提高了效率和泛化能力。基准测试表明，Hyper-DFS在包括表格数据和图像数据在内的各种数据集上优于现有的最先进方法，并展示了卓越的零样本泛化能力。