实体
neural additive models
neural additive models
PulseAugur coverage of neural additive models — every cluster mentioning neural additive models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
发布新的可解释超图学习框架
研究人员开发了一种新的可解释框架，用于在称为超图神经加性网络（HGNAN）的超图结构化数据上进行学习。该模型将经典神经加性模型扩展到高阶关系数据，将逐特征的非线性分解与超图感知结构聚合相结合。HGNAN旨在为节点级和超边级任务提供透明的预测，在性能上可与最先进的超图学习方法相媲美，同时提供内在的可解释性。
-
新方法将黑箱人工智能模型转化为可审计的临床列线图
研究人员开发了一种名为 PRiSM（结构化模型中的部分响应）的新方法，可以将复杂的黑箱临床预测模型转化为易于理解的列线图。该技术捕捉了原始模型效应的形状和相互作用，从而能够进行审计和变量选择。当应用于心脏移植受者数据时，从逻辑回归、神经网络、随机森林和 XGBoost 等各种模型派生的列线图，在辨别力方面达到了非劣效性标准，并且通常保持了校准。PRiSM 方法现已作为开源 Python 包提供。
-
新的图形化符号简化了可解释AI架构的设计
研究人员开发了一种新的图形化符号，该符号改编自Penrose张量符号，用于设计和表示可解释的AI架构。该符号提供了架构的全局视图，并直接映射到PyTorch einsum代码，提高了可复现性。该系统已被用于描述各种可解释模型，包括概念瓶颈和原型网络，并应用于图解Steerling-8B这一前沿语言模型的组件。