【KDD2020】可解释深度神经网络，200页ppt

最新KDD2020 可解释深度神经网络教程

可解释的机器学习模型和算法是越来越受到研究、应用和管理人员关注的重要课题。许多先进的深度神经网络(DNNs)经常被认为是黑盒。研究人员希望能够解释DNN已经学到的东西，以便识别偏差和失败模型，并改进模型。在本教程中，我们将全面介绍分析深度神经网络的方法，并深入了解这些XAI方法如何帮助我们理解时间序列数据。

http://xai.kaist.ac.kr/Tutorial/2020/

首先，我们将提供一个全面的解释深度神经网络的基本原理。演讲的主题可能包括基于相关性评分的方法[Layer relevance Propagation (LRP)， Deep Taylor Decomposition (DTD)， PatternNet, RAP]和基于梯度的方法[DeConvNet, DeepLIFT, Guided Backprop]。我们还将通过介绍元解释[CleverHans]和神经元化方法[簇解释]来提出一个新的观点。

在本节中，我们将介绍解释深度神经网络内部节点的方法。我们将通过介绍卷积神经网络(网络解剖)和生成对抗网络(GAN解剖)的可视化通道的方法开始这一节。然后，我们将提出通过分析一组决策边界来分析DNNs内部节点的方法[凸壳，聚类解释，E-GBAS]。在允许的情况下，我们将简要概述使用注意力解释DNNs的方法。

在最后一节中，我们将介绍最近在时间序列域中可解释的方法。我们将引入[N-BEATS]，一个执行回归任务并提供可解释输出的框架，在准确性上不会有很大损失。[CPHAP]通过提取高度激活的时间段来解释颞神经网络的决策。此外，这种方法的聚类结果提供了理解数据挖掘的直觉。最后，我们将提供一种方法[自动统计学家]，它可以用人类可读的报告预测时间序列，包括预测的原因。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“IEDNN” 就可以获取《【KDD2020】可解释深度神经网络，200页ppt》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资料