awesome_deep_learning_interpretability

AUFOMEL_DEEP_LEARNING_INTREPTIBALE

Deep Learning Related Papers on Model Erklärend in den letzten Jahren.

Sortieren Sie nach Referenznummer

159 Papiere PDF (2 von ihnen müssen auf Scihub gefunden werden) wurden auf Tencent Weiyun hochgeladen.

Von Zeit zu Zeit aktualisiert.

Jahr	Veröffentlichung	Papier	Zitat	Code
2020	CVPR	Erklären der Wissensdestillation durch Quantifizierung des Wissens	81
2020	CVPR	Hochfrequenzkomponente erläutert die Verallgemeinerung von Faltungsnetzwerken mit Faltungsstücken	289
2020	Cvprw	Score-CAM: Score-Gewicht visuelle Erklärungen für Faltungsnetzwerke für Faltungsstücken	414	Pytorch
2020	ICLR	Wissenskonsistenz zwischen neuronalen Netzwerken und darüber hinaus	28
2020	ICLR	Interpretierbare komplex bewertete neuronale Netze für den Schutz des Datenschutzes	Dreiundzwanzig
2019	Ai	Erklärung in der künstlerischen Intelligenz: Erkenntnisse aus den Sozialwissenschaften	3248
2019	NMI	Beenden Sie die Erklärung von Black Box -Modellen für maschinelle Lernmodelle für Entscheidungen mit hohem Einsatz und verwenden Sie stattdessen interpretierbare Modelle	3505
2019	Neurips	Können Sie der Unsicherheit Ihres Modells vertrauen? Bewertung der prädiktiven Unsicherheit unter Datensatzverschiebung	1052	- -
2019	Neurips	Dies sieht so aus: tiefes Lernen für interpretierbare Bilderkennung	665	Pytorch
2019	Neurips	Ein Maßstab für Interpretationsmethoden in tiefen neuronalen Netzwerken	413
2019	Neurips	Vollgradient Darstellung für die Visualisierung des neuronalen Netzwerks	155
2019	Neurips	Auf der (in) Treue und Empfindlichkeit von Erklärungen	226
2019	Neurips	Auf automatisch konzeptbasierte Erklärungen	342	Tensorflow
2019	Neurips	CXPLAIN: Kausale Erklärungen für die Modellinterpretation unter Unsicherheit	133
2019	CVPR	Interpretation von CNNs über Entscheidungsbäume	293
2019	CVPR	Von der Erkennung bis zur Erkenntnis: Visual Commonsense Begründung	544	Pytorch
2019	CVPR	Aufmerksamkeitszweignetzwerk: Lernen des Aufmerksamkeitsmechanismus für visuelle Erklärung	371
2019	CVPR	Interpretierbare und feinkörnige visuelle Erklärungen für Faltungsnetze	116
2019	CVPR	Erklären lernen mit ergänzenden Beispielen	36
2019	CVPR	Aufdecken von Szenen durch Inverting der Struktur aus Bewegungsrekonstruktionen	84	Tensorflow
2019	CVPR	Multimodale Erklärungen durch Vorhersage der Kontrafaktualität in Videos	26
2019	CVPR	Visualisierung der Widerstandsfähigkeit der tiefen Faltungsnetzwerk -Interpretationen	2
2019	ICCV	U-CAM: Visuelle Erklärung unter Verwendung von Unsicherheitsbasis-Klassenaktivierungskarten	61
2019	ICCV	In Richtung interpretierbarer Gesichtserkennung	66
2019	ICCV	Angreifen	163
2019	ICCV	Tiefe Netzwerke über extreme Störungen und glatte Masken verstehen	276	Pytorch
2019	ICCV	Semantisch und quantitativ erklären	49
2019	ICLR	Hierarchische Interpretationen für neuronale Netzvorhersagen	111	Pytorch
2019	ICLR	Wie wichtig ist ein Neuron?	101
2019	ICLR	Visuelle Erklärung durch Interpretation: Verbesserung der visuellen Feedback -Funktionen von tiefen neuronalen Netzwerken	56
2018	ICML	Extrahieren von Automaten aus wiederkehrenden neuronalen Netzwerken mit Abfragen und Gegenbeispielen	169	Pytorch
2019	ICML	Auf ein tiefes und einheitliches Verständnis von tiefen Neuralmodellen in NLP	80	Pytorch
2019	Icais	Interpretation von Black Box -Vorhersagen mit Fisher -Kerneln	80
2019	ACMFAT	Erklärungen in KI erklären	558
2019	Aaai	Die Interpretation neuronaler Netzwerke ist fragil	597	Tensorflow
2019	Aaai	Kartenextraktion der Klassifikator-Agnostic-Salience	Dreiundzwanzig
2019	Aaai	Kannst du das erklären? Kluge Erklärungen helfen beim Abrufen von Human-AI-Kollaborationsbild	11
2019	Aaaiw	Unbeaufsichtigtes Erlernen neuronaler Netze zur Erklärung neuronaler Netze	28
2019	Aaaiw	Netzwerktransplantation	4
2019	CSUR	Eine Übersicht über Methoden zur Erklärung von Black Box -Modellen	3088
2019	JVCIR	Interpretierbare Faltungsnetzwerke durch Feedforward Design	134	Keras
2019	Erklären	Die (UN) Zuverlässigkeit von Salivitätsmethoden	515
2019	ACL	Aufmerksamkeit ist keine Erklärung	920
2019	EMNLP	Aufmerksamkeit ist keine Erklärung nicht	667
2019	Arxiv	Aufmerksamkeitsdolmetscher bei NLP -Aufgaben	129
2019	Arxiv	Interpretierbare CNNs	2
2018	ICLR	Um besseres Verständnis von Gradienten-basierten Attributmethoden für tiefe neuronale Netzwerke zu verstehen	775
2018	ICLR	Lernen, wie man neuronale Netzwerke erklärt: Musternet und MusterAttribution	342
2018	ICLR	Über die Bedeutung einzelner Richtungen für die Verallgemeinerung	282	Pytorch
2018	ICLR	Erkennung statistischer Wechselwirkungen aus neuronalen Netzwerkgewichten	148	Pytorch
2018	ICLR	Interpretierbares Zählen für visuelle Frage Beantwortung	55	Pytorch
2018	CVPR	Interpretierbare Faltungsnetze	677
2018	CVPR	Sagen Sie mir, wo ich schauen soll: Guide Aufmerksamkeitsschließung Netzwerk	454	Kette
2018	CVPR	Multimodale Erklärungen: Entscheidungen rechtfertigen und auf die Beweise hinweisen	349	Kaffe
2018	CVPR	Transparenz durch Design: Schließen Sie die Lücke zwischen Leistung und Interpretation im visuellen Denken	180	Pytorch
2018	CVPR	Net2VEC: Quantifizierung und Erklärung, wie Konzepte von Filtern in tiefen neuronalen Netzwerken codiert werden	186
2018	CVPR	Was haben wir aus tiefen Darstellungen für die Aktionserkennung gelernt?	52
2018	CVPR	Richtig zu handeln lernen: Vorhersagen und Erklären von Bildern vorhersagen und erklären	57
2018	CVPR	Lehren von Kategorien menschlichen Lernenden mit visuellen Erklärungen	64	Pytorch
2018	CVPR	Was sehen tiefe Netzwerke gerne?	36
2018	CVPR	Interpretieren Sie neuronale Netze, indem Sie kritische Datenrouting -Pfade identifizieren	73	Tensorflow
2018	ECCV	Tiefes Clustering für unbeaufsichtigtes Lernen von visuellen Merkmalen	2056	Pytorch
2018	ECCV	Erklärbares neuronales Computing über Stack Neural Modul -Netzwerke	164	Tensorflow
2018	ECCV	Bildende visuelle Erklärungen	184
2018	ECCV	Text Erklärungen für selbstfahrende Fahrzeuge	196
2018	ECCV	Interpretierbare Basisabzug für visuelle Erklärung	228	Pytorch
2018	ECCV	Überzeugen und Imagnet jenseits der Genauigkeit: Fehler verstehen und Vorurteile aufdecken	147
2018	ECCV	VQA-E: Erklären, Ausarbeiten und Verbesserung Ihrer Antworten auf visuelle Fragen	71
2018	ECCV	Wählen Sie Ihr Neuron: Domänenwissen durch Neuron-Importanz einbeziehen	41	Pytorch
2018	ECCV	Verschiedene Merkmalsvisualisierungen enthüllen Invarianzen in frühen Schichten von tiefen neuronalen Netzwerken	Dreiundzwanzig	Tensorflow
2018	ECCV	Explaingan: Modell Erklärung durch Entscheidungsgrenzenübergangstransformationen	36
2018	ICML	Interpretierbarkeit über das Merkmalsattribut hinaus: Quantitative Tests mit Konzeptaktivierungsvektoren	1130	Tensorflow
2018	ICML	Erklären lernen: Eine Informations-theoretische Perspektive auf die Modellinterpretation	421
2018	ACL	Hat das Modell die Frage verstanden?	171	Tensorflow
2018	Fitee	Visuelle Interpretation für Deep Learning: Eine Umfrage	731
2018	Neurips	Vernunftprüfungen auf Speichelkarten	1353
2018	Neurips	Erklärungen basierend auf dem fehlenden: Auf dem Weg zu entgegengesetzten Erklärungen mit relevanten Negativen	443	Tensorflow
2018	Neurips	Auf eine robuste Interpretation mit selbsterklären neuronalen Netzwerken	648	Pytorch
2018	Neurips	Angriffe treffen die Interpretierbarkeit: Attribut-getötete Erkennung von kontroversen Proben	142
2018	Neurips	Deeppink: Auswahl der reproduzierbaren Merkmale in tiefen neuronalen Netzwerken	125	Keras
2018	Neurips	Vertreterinspunktauswahl zur Erklärung von tiefen neuronalen Netzwerken	182	Tensorflow
2018	Neurips Workshop	Interpretierbare Faltungsfilter mit Sincnet	97
2018	Aaai	Anker: hochpräzisen Modell-agnostische Erklärungen	1517
2018	Aaai	Verbesserung der kontroversen Robustheit und Interpretation von tiefen neuronalen Netzwerken durch Regularisierung ihrer Input -Gradienten	537	Tensorflow
2018	Aaai	Deep Learning für fallbasierte Argumentation durch Prototypen: ein neuronales Netzwerk, das seine Vorhersagen erklärt	396	Tensorflow
2018	Aaai	Interpretieren von CNN -Wissen über ein erklärendes Diagramm	199	Matlab
2018	Aaai	Untersuchung von CNN -Darstellungen in Bezug auf die Datensatzverzerrung	88
2018	WACV	Grad-CAM ++: Verallgemeinerte visuelle Erklärungen für gradientenbasierte für tiefe Faltungsnetzwerke	1459
2018	Ijcv	Top-down-neuronale Aufmerksamkeit durch Erregung Rücklauf	778
2018	Tpami	Interpretation von tiefen visuellen Darstellungen durch Netzwerkdissektion	252
2018	DSP	Methoden zum Interpretieren und Verständnis von tiefen neuronalen Netzwerken	2046
2018	Zugang	Peeking in die Black-Box: Eine Umfrage zur erklärbaren künstlichen Intelligenz (XAI)	3110
2018	Jair	Erklärungsregeln aus lauten Daten lernen	440	Tensorflow
2018	Mipro	Erklärbare künstlerische Intelligenz: Eine Umfrage	794
2018	BMVC	Aufstieg: Randomisierte Eingangsabtastung zur Erläuterung von Black-Box-Modellen	657
2018	Arxiv	Destill-and-Compare: Überprüfung von Black-Box-Modellen unter Verwendung einer transparenten Modelldestillation	194
2018	Arxiv	Modellinterpretation manipulieren und messen	496
2018	Arxiv	Wie Faltungsnetzwerk die weltweite Übersicht über die Visualisierungsmethoden der visuellen Netzwerk-Netzwerke finden	211
2018	Arxiv	Überprüfung der Bedeutung einzelner Einheiten in CNNs über Ablation	93
2018	Arxiv	Rechnerische effiziente Messungen für interne Neuronen Bedeutung	10
2017	ICML	Verständnis von Black-Box-Vorhersagen über Einflussfunktionen	2062	Pytorch
2017	ICML	Axiomatisches Attribut für tiefe Netzwerke	3654	Keras
2017	ICML	Lernen wichtiger Merkmale durch verbreitete Aktivierung Unterschiedsunterschied	2835
2017	ICLR	Visualisieren von tiefen Entscheidungen für neuronale Netze: Vorhersagedifferenzanalyse	674	Kaffe
2017	ICLR	Erforschen vieler in tiefen neuronalen Netzwerken	34
2017	Neurips	Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen	11511
2017	Neurips	Echtzeit -Bildnahrungsmittel für Black Box -Klassen	483	Pytorch
2017	Neurips	SVCCA: Singular Vector Canonical Correlationsanalyse für Deep -Lerndynamik und Interpretierbarkeit	473
2017	CVPR	Bergbauobjektteile von CNNs über aktive Frage-Beantwortung	29
2017	CVPR	Netzwerksektion: Quantifizierung der Interpretierbarkeit tiefer visueller Darstellungen	1254
2017	CVPR	Verbesserung der Interpretierbarkeit von tiefen neuronalen Netzwerken mit semantischen Informationen	118
2017	CVPR	MDNET: Ein semantisches und visuell interpretierbares Netzwerk für medizinische Bilddiagnose	307	Fackel
2017	CVPR	Machen Sie das V in VQA wichtig: Steigern Sie die Rolle des Bildverständnisse	1686
2017	CVPR	Wissen, wann man aussehen soll: Anpassungsfähige Aufmerksamkeit über einen visuellen Sentinel für Bildunterschriften	1392	Fackel
2017	Cvprw	Interpretierbare 3D -Analyse menschlicher Aktion mit zeitlichen Faltungsnetzwerken	539
2017	ICCV	Grad-CAM: Visuelle Erklärungen aus tiefen Netzwerken durch Gradienten-basierte Lokalisierung	13006	Pytorch
2017	ICCV	Interpretierbare Erklärungen von schwarzen Kisten durch sinnvolle Störung	1293	Pytorch
2017	ICCV	Interpretierbares Lernen für selbstfahrende Autos durch Visualisierung der kausalen Aufmerksamkeit	323
2017	ICCV	Tiefe neuronale Netzwerke für Alter und Geschlechtsklassifizierung verstehen und vergleichen	130
2017	ICCV	Lernen, durch diskriminative Fragen zu disambiguieren	26
2017	Ijcai	Richtig aus den richtigen Gründen: Schulung differenzierbarer Modelle, indem sie ihre Erklärungen einschränken	429
2017	Ijcai	Verständnis und Verbesserung von Faltungsnetzwerken über verkettete korrigierte lineare Einheiten verstehen und verbessert	510	Kaffe
2017	Aaai	Wachsende interpretierbare Teildiagramme zu Überzeugungsnutzungen durch Multi-Shot-Lernen	67	Matlab
2017	ACL	Visualisierung und Verständnis der neuronalen Maschinenübersetzung	179
2017	EMNLP	Ein Ursachenrahmen zur Erklärung der Vorhersagen von Black-Box-Sequenz-zu-Sequenz-Modellen	192
2017	CVPR -Workshop	Blick unter die Motorhaube: Tiefe visuelle Netzwerk-Netzwerk-Visualisierung, um die Ergebnisse der gesamten Slide-Bildanalyse für farbenfrohe Polys zu interpretieren	47
2017	Umfrage	Interpretierbarkeit von Deep -Learning -Modellen: Eine Umfrage über Ergebnisse	345
2017	Arxiv	Glattgrad: Entfernen von Rauschen durch Hinzufügen von Rauschen	1479
2017	Arxiv	Interpretierbare und Erkundung der Annäherungen an Black Box -Modellen	259
2017	Arxiv	Destillieren eines neuronalen Netzwerks in einen weichen Entscheidungsbaum	520	Pytorch
2017	Arxiv	Auf interpretierbare tiefe neuronale Netze durch Nutzung von kontroversen Beispielen	111
2017	Arxiv	Erklärbare künstlerische Intelligenz: Verständnis, Visualisierung und Interpretation von tiefen Lernmodellen	1279
2017	Arxiv	Kontextbezogene Erklärungsnetzwerke	77	Pytorch
2017	Arxiv	Herausforderungen für die Transparenz	142
2017	ACMSOPP	DeepXplore: Automatisierte Whitebox -Tests von Deep -Lern -Systemen	1144
2017	Ceurw	Was bedeutet erklärbare KI wirklich? Eine neue Konzeptualisierung von Perspektiven	518
2017	TVCG	Activis: Visuelle Erkundung von tiefen neuronalen Netzwerkmodellen im Industrie im Industrie im Bereich der tiefen neuronalen Netzwerke	346
2016	Neurips	Synthese der bevorzugten Eingaben für Neuronen in neuronalen Netzwerken über Deep Generator -Netzwerke	659	Kaffe
2016	Neurips	Verständnis des wirksamen Empfängnisfelds in tiefen nervigen Netzwerken	1356
2016	CVPR	Invertierende visuelle Darstellungen mit Faltungsnetzwerken	626
2016	CVPR	Visualisierung und Verständnis von tiefen Texturdarstellungen	147
2016	CVPR	Analyse von Klassifikatoren: Fischervektoren und tiefe neuronale Netze	191
2016	ECCV	Visuelle Erklärungen erzeugen	613	Kaffe
2016	ECCV	Entwurf von Kerneln in Faltungsnetzwerken für die Bildklassifizierung	vierundzwanzig
2016	ICML	Verständnis und Verbesserung von Faltungsnetzwerken über verkettete korrigierte lineare Einheiten verstehen und verbessert	510
2016	ICML	Visualisierung und Vergleich von Alexnet und VGG mithilfe von Defonvolutionschichten	126
2016	EMNLP	Neuronale Vorhersagen rationalisieren	738	Pytorch
2016	Ijcv	Visualisierung von tiefen nervigen Netzwerken mit natürlichen Vorbildern visualisieren	508	Matlab
2016	Ijcv	Visualisierung von Objekterkennungsfunktionen	38	Kaffe
2016	KDD	Warum sollte ich Ihnen vertrauen?: Erklären Sie die Vorhersagen eines Klassifikators	11742
2016	TVCG	Visualisierung der verborgenen Aktivität künstlerischer neuronaler Netze	309
2016	TVCG	Auf eine bessere Analyse der tiefen nerven Netzwerke der Faltung	474
2016	Naacl	Visualisierung und Verständnis von Neuralmodellen in NLP	650	Fackel
2016	Arxiv	Verständnis neuronaler Netzwerke durch Repräsentationslöschung)	492
2016	Arxiv	Grad-Cam: Warum hast du das gesagt?	398
2016	Arxiv	Investieren Sie den Einfluss von Lärm und Ablenkern auf die Interpretation neuronaler Netze	108
2016	Arxiv	Aufmerksame Erklärungen: Entscheidungen rechtfertigen und auf die Beweise hinweisen	88
2016	Arxiv	Die Mythos der Modellinterpretierbarkeit	3786
2016	Arxiv	Mehrfacettierte Merkmalsvisualisierung: Entdecken Sie die verschiedenen Arten von Merkmalen, die jedes Neuron in tiefen neuronalen Netzwerken erlernt haben	317
2015	ICLR	Einfachheitestests	4645	Pytorch
2015	CVPR	Verständnis von tiefen Bilddarstellungen durch Inverting von ihnen	1942	Matlab
2015	ICCV	Verständnis von tiefen Merkmalen mit computergenerierten Bildern	156	Kaffe
2015	ICML -Workshop	Verständnis neuronaler Netze durch tiefe Visualisierung	2038	Tensorflow
2015	Aas	Interpretierbare Klassen unter Verwendung von Regeln und Bayesian -Analyse: Aufbau eines Vorhersagemodells für bessere Schlaganfälle	749
2014	ECCV	Visualisierung und Verständnis von Faltungsnetzwerken	18604	Pytorch
2014	ICLR	Tief in Faltungsnetzwerken: Bildklassifizierungsmodelle und Speichelkarten visualisieren	6142	Pytorch
2013	ICCV	Schwierigkeiten: Visualisierung von Objekterkennungsfunktionen	352

• Papiergespräch