摘要: 深度学习的可解释性研究是人工智能、机器学习、认知心理学、逻辑学等众多学科的交叉研究课题,其在信息推送、医疗研究、金融、信息安全等领域具有重要的理论研究意义和实际应用价值.从深度学习可解释性研究起源、研究探索期、模型构建期3方面回顾了深度学习可解释性研究历史,从可视化分析、鲁棒性扰动分析、敏感性分析3方面展现了深度学习现有模型可解释性分析研究现状,从模型代理、逻辑推理、网络节点关联分析、传统机器学习模型改进4方面剖析了可解释性深度学习模型构建研究,同时对当前该领域研究存在的不足作出了分析,展示了可解释性深度学习的典型应用,并对未来可能的研究方向作出了展望.

成为VIP会员查看完整内容
0
51

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

深度学习在很多人工智能应用领域中取得成功的关键原因在于,通过复杂的深层网络模型从海量数据中学习丰富的知识。然而,深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果,造成深度学习模型的不可解释性,从而限制了模型的实际部署。因此,亟需提高深度学习模型的可解释性,使模型透明化,以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。

成为VIP会员查看完整内容
0
101

摘要:随着日益剧增的海量数据信息的产生以及数据挖掘算法的广泛应用,人们已经进入了大数据时代.在数据规模飞速增长的前提下,如何高效稳定的存取数据信息以及加快数据挖掘算法的执行已经成为学术界和工业界急需解决的关键问题.机器学习算法作为数据挖掘应用的核心组成部分,吸引了越来越多研究者的关注,而利用新型的软硬件手段来加速机器学习算法已经成为了目前的研究热点之一.本文主要针对基于ASIC和FPGA等硬件平台设计的机器学习加速器进行了归纳与总结.首先,本文先介绍了机器学习算法,对代表性的算法进行了分析和归纳.接下来对加速器可能的着眼点进行了列举综述,以各种机器学习硬件加速器为主要实例介绍了目前主流的加速器设计和实现,并围绕加速器结构进行简单分类和总结.最后本文对机器学习算法硬件加速这个领域进行了分析,并对目前的发展趋势做出了展望.

成为VIP会员查看完整内容
0
33

摘要 大数据是经济发展的新动能, 社会发展的新引擎, 塑造国家竞争力的战略制高点, 对人民生活 具有重大影响. 然而随着社会对数据价值认知的提升和大数据平台建设的蓬勃发展, 大数据安全问题 日益成为阻碍大数据应用推广的瓶颈. 同时, 由于大数据技术、框架仍在不断演变当中, 研究人员对大 数据安全内涵的核心认知和关键特征理解还存在差异, 尚未形成相对统一的大数据安全框架. 当前亟 需对大数据安全技术发展现状进行梳理, 为大数据安全重点问题的研究和突破提供参考. 本文结合典 型大数据系统技术框架, 围绕大数据安全需求, 构建了大数据安全技术框架. 在此框架下, 从大数据安 全共享与可信服务、大数据平台安全和大数据安全监管 3 个方面系统梳理了大数据安全关键技术的 研究现状, 囊括了大数据业务流程和大数据系统技术框架所涉及的主要安全机制. 最后总结了大数据 安全技术有待解决的核心问题和发展趋势.

成为VIP会员查看完整内容
0
36

摘要: 大数据时代,数据呈现维度高、数据量大和增长快等特点。如何有效利用其中蕴含的有价值信息,以实现数据的智能化处理,已成为当前理论和应用的研究热点。针对现实普遍存在的多义性对象,数据多标签被提出并被广泛应用于数据智能化组织。近年来,深度学习在数据特征提取方面呈现出高速、高精度等优异性,使基于深度学习的多标签生成得到广泛关注。文中分五大类别总结了最新研究成果,并进一步从数据、关系类型、应用场景、适应性及实验性能方面对其进行对比和分析,最后探讨了多标签生成面临的挑战和未来的研究方向。

成为VIP会员查看完整内容
0
85

人机对话系统能够让机器通过人类语言与人进行交互,是人工智能领域的一项重要工作。因其在虚拟助手和社交聊天机器人等领域的商业价值而广受工业界和学术界的关注。近年来,互联网社交数据快速增长促进了数据驱动的开放领域对话系统研究,尤其是将深度学习技术应用到其中取得了突破性进展。基于深度学习的开放领域对话系统使用海量社交对话数据,通过检索或者生成的方法建立对话模型学习对话模式。将深度学习融入检索式系统中研究提高对话匹配模型的效果,将深度学习融入生成式系统中构建更高质量的生成模型,成为了基于深度学习的开放领域对话系统的主要任务。本文对近几年基于深度学习的开放领域对话系统研究进展进行综述,梳理、比较和分析主要方法,整理其中的关键问题和已有解决方案,总结评测指标,展望未来研究趋势。

成为VIP会员查看完整内容
0
46
小贴士
相关VIP内容
专知会员服务
101+阅读 · 2020年8月1日
专知会员服务
69+阅读 · 2020年7月10日
专知会员服务
33+阅读 · 2020年6月20日
专知会员服务
36+阅读 · 2020年5月2日
专知会员服务
85+阅读 · 2020年4月25日
专知会员服务
64+阅读 · 2020年3月19日
【自动化学报】零样本学习研究进展,中国石油大学
专知会员服务
71+阅读 · 2020年1月27日
自动机器学习:最新进展综述
专知会员服务
65+阅读 · 2019年10月13日
[综述]基于深度学习的开放领域对话系统研究综述
专知会员服务
46+阅读 · 2019年10月12日
相关资讯
知识图谱最新研究综述
深度学习自然语言处理
26+阅读 · 2020年6月14日
事件知识图谱构建研究进展与趋势
THU数据派
40+阅读 · 2019年12月11日
【综述】迁移自适应学习十年进展
专知
33+阅读 · 2019年11月26日
形式化方法的研究进展与趋势
中国计算机学会
16+阅读 · 2018年11月8日
【机器学习】机器学习:未来十年研究热点
产业智能官
7+阅读 · 2018年11月4日
生成对抗网络研究人脸识别领域获进展
中科院之声
7+阅读 · 2018年9月24日
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
39+阅读 · 2017年11月16日
医学知识图谱构建技术与研究进展
人工智能学家
11+阅读 · 2017年11月11日
相关论文
A Survey on Edge Intelligence
Dianlei Xu,Tong Li,Yong Li,Xiang Su,Sasu Tarkoma,Pan Hui
22+阅读 · 2020年3月26日
Heterogeneous Graph Transformer
Ziniu Hu,Yuxiao Dong,Kuansan Wang,Yizhou Sun
18+阅读 · 2020年3月3日
Bowen Shi,Ming Sun,Krishna C. Puvvada,Chieh-Chi Kao,Spyros Matsoukas,Chao Wang
17+阅读 · 2020年2月21日
Feature Denoising for Improving Adversarial Robustness
Cihang Xie,Yuxin Wu,Laurens van der Maaten,Alan Yuille,Kaiming He
15+阅读 · 2018年12月9日
Ke Li,Jitendra Malik
5+阅读 · 2018年11月29日
Luke Metz,Niru Maheswaranathan,Brian Cheung,Jascha Sohl-Dickstein
5+阅读 · 2018年5月23日
Rui Qian,Robby T. Tan,Wenhan Yang,Jiajun Su,Jiaying Liu
3+阅读 · 2018年5月6日
Quanshi Zhang,Ying Nian Wu,Song-Chun Zhu
14+阅读 · 2018年2月14日
Robert Giaquinto,Arindam Banerjee
3+阅读 · 2018年1月15日
Top