实体
Poushali Sengupta
Poushali Sengupta
PulseAugur coverage of Poushali Sengupta — every cluster mentioning Poushali Sengupta 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
最近 · 第 1/1 页 · 共 3 条
-
新的HXAI框架平衡了能源AI中的隐私和可解释性
研究人员开发了HXAI,一个旨在平衡分布式能源系统中隐私和可解释性的新框架。这种分层方法使用本地模型在安全环境中生成细粒度解释,而区域模型则聚合这些解释以进行电网级分析。HXAI旨在为电网运营商提供关键见解,用于管理能源负荷和设计电价,而不会损害家庭隐私。在模拟和真实数据上的实验表明,HXAI有效地保留了与决策相关的信息,同时确保了电器级消耗数据的隐私性。
-
新的MCIR-M方法通过特征依赖感知提高了机器学习模型的可解释性
研究人员推出了一种新的机器学习模型解释方法MCIR-M,该方法考虑了特征依赖性。SHAP和LIME等传统方法在处理相关或冗余特征时可能会遇到困难,导致排名不稳定。MCIR-M通过对其依赖的邻居进行条件化来量化每个特征的独特预测信息,从而提供更可靠的全局特征重要性分数,尤其是在多重共线性情况下。
-
新研究通过新颖的指标和框架解决人工智能可解释性问题
两篇新研究论文解决了解释复杂人工智能模型的挑战。第一篇论文介绍了 ExCIR(通过相关性影响比进行可解释性分析),这是一种新颖的指标,旨在准确地对相关特征进行排名,并为各种数据集上的模型输出提供稳定、高效的解释。第二篇论文提出了一个用于评估可解释人工智能(XAI)方法的合成真实情况框架,通过受控干预来生成超越模型预测简单保真度的可靠解释。