PulseAugur
中
实时 07:18:45
实体 Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases

Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases

PulseAugur coverage of Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases — every cluster mentioning Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
7
90 天内 36
发布 · 30天
0
90 天内 0
论文 · 30天
7
90 天内 35
层级分布 · 90 天
主题
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/2 页 · 共 36 条
  1. TOOL · CL_357595 ·

    研究质疑人工智能在货运分类中解释的可靠性

    一项新近发表在arXiv上的研究调查了可解释人工智能(XAI)在货运模式分类中的可靠性。研究人员使用了PEPFAR供应链管理系统交付历史数据集,比较了包括神经网络、逻辑回归和随机森林在内的各种机器学习模型的性能。研究发现,树集成模型在准确性方面通常优于其他模型,并且其特征重要性排名在重新训练后更为稳定。然而,在准确性相似的模型之间,关于哪些特征最重要存在显著分歧,这凸显了在依赖XAI进行关键决策之前评估解释稳定性和忠实度的必要性。

  2. RESEARCH · CL_351449 ·

    新的XposedMIA框架利用AI解释进行成员推理攻击

    研究人员开发了XposedMIA,一个利用可解释AI(XAI)输出来对机器学习模型执行成员推理攻击(MIA)的新型框架。该方法重新利用了LIME等技术中的局部代理几何来估计样本到模型决策边界的接近程度。XposedMIA在短暂校准后,每个目标样本仅需一次查询,表明发布解释可能会无意中泄露训练数据信息。

  3. TOOL · CL_326988 ·

    深度学习模型在乳腺癌诊断方面进行基准测试

    研究人员评估了十种深度学习模型,包括DenseNet121等卷积神经网络(CNN)以及ViT和Swin Transformer等Transformer模型,用于诊断医学影像中的乳腺癌的有效性。DenseNet121的准确率最高,达到99.4%,AUC-ROC为0.999,显著优于其他模型,特别是基于Transformer的架构。该研究还采用了Grad-CAM和LIME等可解释人工智能技术,以确保模型的预测具有可解释性并关注诊断相关区域…

  4. TOOL · CL_333984 ·

    新的 CBFI 框架解开机器学习模型中的特征交互

    研究人员开发了一个名为局部案例特征重要性 (CBFI) 的新框架,以更好地理解机器学习模型的内部工作原理。该方法旨在将单个特征的贡献与复杂的交互分离开来,而这些交互通常被现有的归因方法(如 SHAP 和 LIME)所掩盖。在葡萄酒质量分类和医疗保险回归等任务上的实验表明,CBFI 可以有效地揭示梯度提升和深度神经网络等模型中隐藏的交互结构。

  5. RESEARCH · CL_317407 ·

    新的XALIGN工具可视化AI解释冲突

    研究人员开发了XALIGN,一个视觉分析工具,旨在帮助用户理解不同AI解释方法之间的差异。该工具将基于规则的解释与TreeSHAP、KernelSHAP和LIME等特征归因方法一起显示,用于Random Forest模型。使用德国信用数据集和气象数据的案例研究表明,XALIGN可以揭示不同解释类型之间的矛盾,而单独检查这些解释则会忽略这些矛盾。专家评估表明,XALIGN有助于识别有影响力的特征并防止过度依赖AI预测,尽管没有XAI背景…

  6. TOOL · CL_300749 ·

    人工智能模型在社会噪音中检测虚假信息方面表现出高准确率

    一项新研究发表在arXiv上,探讨了人工智能模型在检测虚假信息方面的有效性,特别是在考虑X等平台上的社会噪音影响时。该研究使用了2024年3月至2025年3月期间收集的与俄乌冲突相关的50万条推文数据集。结果表明,包括RoBERTa和图神经网络在内的先进模型取得了高准确率,其中RoBERTa达到了97.17%。可解释人工智能分析显示,上下文特征而非孤立的关键词是这些预测的主要驱动因素,这表明将社会噪音纳入人工智能流程可以显著改进虚假信息检测策略。

  7. TOOL · CL_282187 ·

    MOXIE框架揭示生物医学图像分类器的多种替代性解释

    研究人员开发了MOXIE,一个旨在为生物医学图像分类器预测揭示多种替代性解释的进化框架。与基于固定图像分割提供单一解释的方法不同,MOXIE识别图像片段的子集,这些子集在最小化使用图像数据量的同时保持分类器的置信度。这种方法生成解释的帕累托前沿,提供对模型如何做出决策的更全面理解,并突出上下文区域的影响。该框架在BloodMNIST和HAM10000数据集上进行了评估,与LIME等现有方法相比,表现更优。

  8. TOOL · CL_275078 ·

    新框架审计 DeBERTa-v3 在医学文本分类中的可解释性

    研究人员开发了一个新框架,用于评估 DeBERTa-v3 模型在对医学摘要进行零样本分类时的可解释性。研究发现,词汇过度敏感和语义重叠等问题会影响模型的性能,尤其是在诊断不确定性的情况下。研究结果表明,在医学文本分类中审计基于 transformer 的模型时,使用多种解释方法和定量一致性指标至关重要。

  9. TOOL · CL_261440 ·

    新的FCA引导框架为AI乳腺癌诊断解释提供了完美的有效性

    研究人员开发了一个名为FCA-Guided Counterfactual (FCA-CF) 的新颖框架,为多模态乳腺癌诊断模型生成可操作的解释。该框架使用形式概念分析来约束对立样本解释的搜索,确保其临床相关性。在TCGA-BRCA数据集上的评估中,FCA-CF实现了完美的有效性,这意味着所有生成的对立样本都成功改变了诊断预测。它还表现出优越的稀疏性,与其他有效方法相比,所需的特征改变更少,并且与原始实例的接近度强。

  10. TOOL · CL_259238 ·

    新框架为人工智能模型提供概率性解释

    研究人员开发了一个新的概率可解释性框架,该框架可应用于二元分类和连续回归任务。该方法将实例映射到布尔超立方体,通过在指定的稀疏性预算内考虑特征贡献的幅度和方向,来推广现有的基于子集的方法。该框架通过混合整数规划和迭代硬阈值算法来解决,通过遵守稀疏性和锚定约束,在性能上优于LIME和MAPLE等当前最先进的基线。

  11. TOOL · CL_256970 ·

    新的Det-LIME技术增强了海洋哺乳动物检测AI的可解释性

    研究人员开发了Det-LIME,一种新颖的可解释性技术,专门用于海洋哺乳动物研究中使用的目标检测模型。与现有方法在处理多实例或产生低分辨率输出时遇到的困难不同,Det-LIME提供了实例特定、与边界框对齐的解释。这种LIME的改编提高了归因准确性,为调试、数据增强和改进保护工作流程提供了宝贵的见解。

  12. TOOL · CL_256957 ·

    新的ADORE框架增强了机器学习模型的可解释性,性能优于LIME和SHAP

    研究人员推出了一种名为自适应导数排序随机解释(ADORE)的新型框架,旨在增强复杂机器学习模型的可解释性。ADORE通过有效建模非线性和特征交互来解决现有方法的局限性,同时提供全局特征重要性和局部样本贡献。它通过随机SVD和动态稀疏性检测实现效率,使其能够扩展到大型数据集。实验表明,ADORE在表格、文本和图像数据上的表现优于LIME和SHAP,并且已作为开源Python包在GitHub上发布,以促进更广泛的应用。

  13. TOOL · CL_254468 ·

    研究揭示可解释人工智能评估方法不一致

    一项新研究发布在arXiv上,调查了可解释人工智能(XAI)不同评估策略的一致性。研究人员比较了信任度和满意度等主观指标、任务表现等客观指标以及使用显著性图进行的数学评估。研究结果表明,这些评估体系可能导致不同的结论,数学指标仅与用户表现部分相关,有时会产生违反直觉的结果。该研究强调了比较这些不同方法以开发稳健的XAI评估框架的重要性。

  14. TOOL · CL_254294 ·

    新孟加拉语句功能分类语料库已开发

    研究人员开发了一个包含 10,000 句孟加拉语的新语料库,这些句子被手动分为陈述句、疑问句、祈使句和感叹句四种功能,以解决孟加拉语句功能分类资源有限的问题。该研究评估了各种特征表示,包括词袋模型 (Bag-of-Words)、TF-IDF 和 Word2Vec,以及经典的机器学习分类器和集成模型。结合 TF-IDF 特征的双层集成模型取得了最高性能,准确率和宏 F1 分数均为 0.95,证明了稀疏词汇表示和集成学习在此自然语言处理任…

  15. TOOL · CL_245048 ·

    文档图像分类解释通过领域感知分割得到改进

    arXiv 上发表的一项新研究调查了分割选择对文档图像分类 LIME 解释可靠性的影响。研究人员发现,常用于自然图像的标准超像素分割与文本区域和布局块等文档结构对齐不佳。通过在 RVL-CDIP 数据集上比较 Quickshift 和 SLIC 与源自 OCR 边界框和规则网格的文档感知分割,该研究表明领域特定分割显著提高了解释的一致性、正确性和局部保真度。这些文档感知方法还揭示了与数据集偏差相关的捷径行为,而这些行为通常被超像素方法…

  16. TOOL · CL_231354 ·

    新框架使用证据权重评估人工智能特征重要性

    研究人员通过将可解释人工智能(XAI)中的特征重要性方法(FIMs)整合到使用证据权重(WoE)的假设检验结构中,引入了一个新的框架来评估它们。该方法量化了支持关于特征重要性假设的证据强度,从而能够根据FIMs与现有知识的对齐程度及其稳定性来评估它们。该框架已通过分析LIME和SHAP在各种参考假设下的解释,证明了其效用。

  17. TOOL · CL_229469 ·

    新的SALT框架通过可解释AI增强虾病检测

    研究人员开发了一个名为SALT(Shrimp disease text Analysis with multi-Loss disTillation)的新框架,通过文本分类来改善虾病的早期检测。该框架集成了LIME和SHAP等可解释性技术,以解释模型预测并识别与疾病描述相关的关键语言特征。实验表明,SALT的性能优于传统的监督方法,在性能和计算效率之间提供了更好的平衡,同时为诊断应用提供了强大的可解释性。

  18. TOOL · CL_223056 ·

    AI框架通过CRM集成增强电信客户流失预测能力

    一篇新研究论文提出了一个框架,用于将可解释人工智能集成到电信行业的客户关系管理(CRM)系统中。该研究在IBM Telco Customer Churn数据集上对四种分类器——Logistic Regression、Random Forest、XGBoost和LightGBM——进行了基准测试,发现Logistic Regression和LightGBM表现相当。该框架利用SHAP和LIME提供全局和实例级别的解释,识别出诸如客户任期…

  19. TOOL · CL_218200 ·

    研究:同一家族的较小模型不总是与较大的模型信任等价

    arXiv上的一篇新研究论文探讨了同一家族模型(例如 Llama-2)不同大小模型之间的信任等价概念。该研究提出了一个评估这种等价性的框架,该框架基于归因对齐(模型是否使用相同的输入特征进行预测)和校准相似性(置信度与准确性之间的关系)。研究结果表明,较小的模型并不总是与较大的模型信任等价,因为它们通常依赖于不同的输入特征并表现出不同的校准特征。这表明,用较小的模型替换较大的模型需要仔细考虑,而不仅仅是性能指标。

  20. TOOL · CL_208618 ·

    AI模型利用可解释学习预测孟加拉国男性家庭暴力

    研究人员开发了一种可解释的集成学习模型来预测孟加拉国的男性家庭暴力(MDV)。该研究通过从九个主要城市收集数据,解决了数据不平衡和可用性有限的挑战。他们提出的堆叠集成模型,使用ANN和CatBoost作为基础分类器,并以Logistic Regression作为元模型,达到了95%的准确率和99.29%的AUC。SHAP和LIME等可解释AI技术被用于提供模型决策过程的透明度,挑战了家庭虐待主要影响女性的观念,并强调了为男性受害者提供…