awesome_deep_learning_interpretability

impresionante_deep_learning_interpretabilidad

Documentos relacionados con el aprendizaje profundo sobre el modelo explicativo en los últimos años.

Ordenar por número de referencia

159 documentos PDF (2 de ellos deben encontrarse en Scihub) fueron subidos a Tencent Weiyun.

Actualizado de vez en cuando.

Año	Publicación	Papel	Citación	código
2020	CVPR	Explicando la destilación del conocimiento cuantificando el conocimiento	81
2020	CVPR	El componente de alta frecuencia ayuda a explicar la generalización de las redes neuronales convolucionales	289
2020	CVPRW	Puntaje Cam: explicaciones visuales ponderadas en puntuación para redes neuronales convolucionales	414	Pytorch
2020	ICLR	Consistencia del conocimiento entre redes neuronales y más allá	28
2020	ICLR	Redes neuronales de valor complejo interpretable para la protección de la privacidad	veintitrés
2019	AI	Explicación en inteligencia artística: ideas de las ciencias sociales	3248
2019	NMI	Deje de explicar modelos de aprendizaje automático de caja negra para decisiones de alto riesgo y use modelos interpretables en su lugar	3505
2019	Neuros	¿Puedes confiar en la incertidumbre de tu modelo? Evaluar la incertidumbre predictiva bajo el cambio de conjunto de datos	1052	-
2019	Neuros	Esto se ve así: aprendizaje profundo para el reconocimiento de imágenes interpretable	665	Pytorch
2019	Neuros	Un punto de referencia para los métodos de interpretación en redes neuronales profundas	413
2019	Neuros	Representación de gradiente completo para la visualización de la red neuronal	155
2019	Neuros	Sobre la (in) fidelidad y sensibilidad de las explicaciones	226
2019	Neuros	Hacia explicaciones automáticas basadas en conceptos	342	Flujo tensor
2019	Neuros	CXPlain: explicaciones causales para la interpretación del modelo bajo incertidumbre	133
2019	CVPR	Interpretando CNN a través de árboles de decisión	293
2019	CVPR	Desde el reconocimiento hasta la cognición: razonamiento visual de sentido común	544	Pytorch
2019	CVPR	Red de rama de atención: aprendizaje del mecanismo de atención para la explicación visual	371
2019	CVPR	Explicaciones visuales interpretables y de grano fino para redes neuronales convolucionales	116
2019	CVPR	Aprender a explicar con ejemplos complementarios	36
2019	CVPR	Revelando escenas al invertir la estructura de las reconstrucciones de movimiento	84	Flujo tensor
2019	CVPR	Explicaciones multimodales mediante la predicción de la contrafactualidad en los videos	26
2019	CVPR	Visualizar la resistencia de profundas interpretaciones de la red convolucional	2
2019	ICCV	U-Cam: explicación visual utilizando mapas de activación de clase basados ​​en la incertidumbre	61
2019	ICCV	Hacia el reconocimiento de la cara interpretable	66
2019	ICCV	Tomar una pista: aprovechando las explicaciones para hacer que los modelos de visión y lenguaje sean más fundamentados	163
2019	ICCV	Comprender las redes profundas a través de perturbaciones extremas y máscaras suaves	276	Pytorch
2019	ICCV	Explicar las redes neuronales de manera semántica y cuantitativa	49
2019	ICLR	Interpretaciones jerárquicas para predicciones de redes neuronales	111	Pytorch
2019	ICLR	¿Qué tan importante es una neurona?	101
2019	ICLR	Explicación visual por interpretación: Mejora de las capacidades de retroalimentación visual de redes neuronales profundas	56
2018	ICML	Extracción de autómatas de redes neuronales recurrentes utilizando consultas y contraejemplos	169	Pytorch
2019	ICML	Hacia una comprensión profunda y unificada de los modelos neuronales profundos en la PNL	80	Pytorch
2019	ICAIS	Interpretación de predicciones de caja negra utilizando granos Fisher	80
2019	Acmfat	Explicando explicaciones en AI	558
2019	AAAI	La interpretación de las redes neuronales es frágil	597	Flujo tensor
2019	AAAI	Extracción del mapa de prominencia del clasificador-agnóstico	veintitrés
2019	AAAI	¿Puedes explicar eso? Las explicaciones lúcidas ayudan a la recuperación de imágenes colaborativas de Human-AI	11
2019	Aaaiw	Aprendizaje no supervisado de redes neuronales para explicar las redes neuronales	28
2019	Aaaiw	Trasplante de red	4
2019	Csur	Una encuesta de métodos para explicar modelos de caja negra	3088
2019	Jvcir	Redes neuronales convolucionales interpretables a través del diseño Feedforward	134	Keras
2019	Explicar	La (no) fiabilidad de los métodos de salivencia	515
2019	LCA	La atención no es explicación	920
2019	EMNLP	La atención no es explicación	667
2019	arxiv	Interpretabilidad de la atención en las tareas de PNL	129
2019	arxiv	CNNS interpretables	2
2018	ICLR	Hacia una mejor comprensión de los métodos de atributos basados ​​en gradientes para redes neuronales profundas	775
2018	ICLR	Aprender a explicar las redes neuronales: PatternNet y PatternAttribution	342
2018	ICLR	Sobre la importancia de las instrucciones individuales para la generalización	282	Pytorch
2018	ICLR	Detección de interacciones estadísticas de pesos de redes neuronales	148	Pytorch
2018	ICLR	Contando interpretable para la respuesta de preguntas visuales	55	Pytorch
2018	CVPR	Redes neuronales convolucionales interpretables	677
2018	CVPR	Dime dónde mirar: Red de inferencia de atención guiada	454	Encadenador
2018	CVPR	Explicaciones multimodales: justificar decisiones y señalar la evidencia	349	Cafetería
2018	CVPR	Transparencia por diseño: cierre la brecha entre el rendimiento y la interpretación en el razonamiento visual	180	Pytorch
2018	CVPR	Net2Vec: Cuantificación y explicación de cómo los conceptos están codificados por filtros en redes neuronales profundas	186
2018	CVPR	¿Qué hemos aprendido de las representaciones profundas para el reconocimiento de acción?	52
2018	CVPR	Aprender a actuar correctamente: predecir y explicar las posibilidades de las imágenes	57
2018	CVPR	Enseñando categorías a alumnos humanos con explicaciones visuales	64	Pytorch
2018	CVPR	¿Qué les gusta ver las redes profundas?	36
2018	CVPR	Interpretar redes neuronales identificando rutas críticas de enrutamiento de datos	73	Flujo tensor
2018	ECCV	Clúster profundo para el aprendizaje no supervisado de las características visuales	2056	Pytorch
2018	ECCV	Computación neuronal explicable a través de redes de módulos neuronales de pila	164	Flujo tensor
2018	ECCV	Explicaciones visuales de puesta a tierra	184
2018	ECCV	Explicaciones textuales para vehículos autónomos	196
2018	ECCV	Descomposición de base interpretable para explicación visual	228	Pytorch
2018	ECCV	Convnets e Imagenet más allá de la precisión: comprender los errores y los prejuicios descubiertos	147
2018	ECCV	VQA-E: Explicar, elaborar y mejorar sus respuestas para preguntas visuales	71
2018	ECCV	Elija su neurona: incorporar el conocimiento del dominio a través de la importancia neuronal	41	Pytorch
2018	ECCV	Diversas visualizaciones de características revelan invarianes en las primeras capas de redes neuronales profundas	veintitrés	Flujo tensor
2018	ECCV	Explraingan: Explicación del modelo a través de transformaciones de cruce de límites de decisión	36
2018	ICML	Interpretabilidad más allá del atributo de características: prueba cuantitativa con vectores de activación conceptual	1130	Flujo tensor
2018	ICML	Aprender a explicar: una perspectiva teórica de información sobre la interpretación del modelo	421
2018	LCA	¿El modelo entendió la pregunta?	171	Flujo tensor
2018	Fitee	Interpretación visual para el aprendizaje profundo: una encuesta	731
2018	Neuros	Verificaciones de cordura para mapas de salivación	1353
2018	Neuros	Explicaciones basadas en los faltantes: hacia explicaciones contrarias con negativos pertinentes	443	Flujo tensor
2018	Neuros	Hacia una interpretación sólida con redes neuronales autoexplicables	648	Pytorch
2018	Neuros	Los ataques cumplen con la interpretabilidad: detección de muestras adversas en atributos	142
2018	Neuros	Deeppink: selección de características reproducibles en redes neuronales profundas	125	Keras
2018	Neuros	Selección de puntos de representante para explicar redes neuronales profundas	182	Flujo tensor
2018	Taller Neurips	Filtros convolucionales interpretables con Sincnet	97
2018	AAAI	Anclas: Explicaciones del modelo de alta precisión agnóstica	1517
2018	AAAI	Mejora de la robustez y interpretación de las redes neuronales profundas regularizando sus gradientes de entrada	537	Flujo tensor
2018	AAAI	Aprendizaje profundo para el razonamiento basado en casos a través de prototipos: una red neuronal que explica sus predicciones	396	Flujo tensor
2018	AAAI	Interpretar el conocimiento de CNN a través de un gráfico explicativo	199	Matlab
2018	AAAI	Examinar representaciones de CNN con respecto al sesgo del conjunto de datos	88
2018	WACV	Grad-Cam ++: explicaciones visuales generalizadas basadas en gradientes para redes convolucionales profundas	1459
2018	Ijcv	Atención neuronal de arriba hacia abajo por excitación Backprop	778
2018	Tpami	Interpretando representaciones visuales profundas a través de la disección de la red	252
2018	DSP	Métodos para interpretar y comprender redes neuronales profundas	2046
2018	Acceso	Pisando dentro de la caja negra: una encuesta sobre inteligencia artificial explicable (XAI)	3110
2018	Jair	Aprender reglas explicativas de datos ruidosos	440	Flujo tensor
2018	Mipro	Inteligencia artística explicable: una encuesta	794
2018	Bmvc	Rise: muestreo de entrada aleatorizado para la explicación de los modelos de caja negra	657
2018	arxiv	Distill y comparación: auditar modelos de caja negra utilizando la destilación de modelos transparentes	194
2018	arxiv	Manipular y medir la interpretación del modelo	496
2018	arxiv	Cómo la red neuronal convolucional ver la encuesta mundial de métodos de visualización de la red neuronal convolucional	211
2018	arxiv	Revisando la importancia de las unidades individuales en CNN a través de la ablación	93
2018	arxiv	Medidas computacionalmente eficientes de la importancia de las neuronas internas	10
2017	ICML	Comprender las predicciones de la caja negra a través de funciones de influencia	2062	Pytorch
2017	ICML	Atributo axiomático para redes profundas	3654	Keras
2017	ICML	Aprender características importantes a través de diferencias de activación de propagación	2835
2017	ICLR	Visualización de decisiones de red neuronal profunda: análisis de diferencia de predicción	674	Cafetería
2017	ICLR	Explorando lotes en redes neuronales profundas	34
2017	Neuros	Un enfoque unificado para interpretar las predicciones del modelo	11511
2017	Neuros	Imagen en tiempo real Saliencia para clases de caja negra	483	Pytorch
2017	Neuros	SVCCA: análisis de correlación canónica vectorial singular para la dinámica e interpretabilidad del aprendizaje profundo	473
2017	CVPR	Partes de objetos mineros de CNN a través de la respuesta de pregunta activa	29
2017	CVPR	Disección de la red: cuantificar la interpretabilidad de representaciones visuales profundas	1254
2017	CVPR	Mejora de la interpretabilidad de las redes neuronales profundas con información semántica	118
2017	CVPR	MDNET: una red de diagnóstico de imágenes médicas de interpretación médica semántica y visual	307	Antorcha
2017	CVPR	Hacer que la V en VQA sea importante: elevar el papel de la comprensión de la imagen en la respuesta de las preguntas visuales	1686
2017	CVPR	Saber cuándo mirar: atención adaptativa a través de un centinela visual para subtítulos	1392	Antorcha
2017	CVPRW	Análisis de acción humana 3D interpretable con redes convolucionales temporales	539
2017	ICCV	Grad Cam: explicaciones visuales de redes profundas a través de la localización basada en gradientes	13006	Pytorch
2017	ICCV	Explicaciones interpretables de cajas negras por perturbación significativa	1293	Pytorch
2017	ICCV	Aprendizaje interpretable para autos autónomos visualizando la atención causal	323
2017	ICCV	Comprender y comparar redes neuronales profundas para la clasificación de edad y género	130
2017	ICCV	Aprender a desambiguar haciendo preguntas discriminativas	26
2017	IJCAI	Ajustado por las razones correctas: capacitar modelos diferenciables restringiendo sus explicaciones	429
2017	IJCAI	Comprender y mejorar las redes neuronales convolucionales a través de unidades lineales rectificadas concatenadas	510	Cafetería
2017	AAAI	Creciendo gráficos de piezas interpretables en convnets a través de aprendizaje de múltiples disparos	67	Matlab
2017	LCA	Visualizar y comprender la traducción del automóvil neuronal	179
2017	EMNLP	Un marco Causeal para explicar las predicciones de los modelos de secuencia a secuencia de caja negra	192
2017	Taller CVPR	Mirando debajo del capó: visualización de red neuronal profunda para interpretar resultados de análisis de imágenes de plana completa para polys coloridas	47
2017	Encuesta	Interpretabilidad de los modelos de aprendizaje profundo: una encuesta de resultados	345
2017	arxiv	SmoothGrad: eliminar el ruido agregando ruido	1479
2017	arxiv	Interpretable y explore aproximaciones de modelos de caja negra	259
2017	arxiv	Destilar una red neuronal en un árbol de decisión suave	520	Pytorch
2017	arxiv	Hacia redes neuronales profundas interpretables aprovechando ejemplos adversos	111
2017	arxiv	Inteligencia artística explicable: comprensión, visualización e interpretación de modelos de aprendizaje profundo	1279
2017	arxiv	Redes de explicación contextual	77	Pytorch
2017	arxiv	Desafíos para la transparencia	142
2017	ACMSOPP	Deepxplore: pruebas automatizadas de Whitebox de sistemas de aprendizaje profundo	1144
2017	Ceurw	¿Qué significa realmente la IA explicable? Una nueva conceptualización de las perspectivas	518
2017	TVCG	Activis: Exploración visual de modelos de redes neuronales profundas a escala de la industria	346
2016	Neuros	Sintetizar las entradas preferidas para las neuronas en redes neuronales a través de redes de generadores profundos	659	Cafetería
2016	Neuros	Comprender el campo receptivo efectivo en redes neuronales convolucionales profundas	1356
2016	CVPR	Invertir representaciones visuales con redes convolucionales	626
2016	CVPR	Visualizar y comprender representaciones de textura profunda	147
2016	CVPR	Análisis de clasificadores: vectores de pescadores y redes neuronales profundas	191
2016	ECCV	Generando explicaciones visuales	613	Cafetería
2016	ECCV	Diseño de núcleos en redes neuronales convolucionales para la clasificación de imágenes	veinticuatro
2016	ICML	Comprender y mejorar las redes neuronales convolucionales a través de unidades lineales rectificadas concatenadas	510
2016	ICML	Visualizar y comparar Alexnet y VGG usando capas deconvolutivas	126
2016	EMNLP	Racionalización de predicciones neuronales	738	Pytorch
2016	Ijcv	Visualización de redes neuronales convolucionales profundas utilizando preimpageres naturales	508	Matlab
2016	Ijcv	Visualizar las características de detección de objetos	38	Cafetería
2016	Kdd	¿Por qué debería confiar en ti?: Explicar las predicciones de cualquier clasificador	11742
2016	TVCG	Visualizar la actividad oculta de las redes neuronales artísticas	309
2016	TVCG	Hacia un mejor análisis de redes neuronales convolucionales profundas	474
2016	Naacl	Visualizar y comprender los modelos neuronales en la PNL	650	Antorcha
2016	arxiv	Comprender las redes neuronales a través de la borrado de la representación)	492
2016	arxiv	Grad-Cam: ¿Por qué dijiste eso?	398
2016	arxiv	Invertir la influencia del ruido y los distractores en la interpretación de las redes neuronales	108
2016	arxiv	Explicaciones atenta: justificar decisiones y señalar la evidencia	88
2016	arxiv	El mito de la interpretabilidad del modelo	3786
2016	arxiv	Visualización de características multifacéticas: descubrir los diferentes tipos de características aprendidas por cada neurona en redes neuronales profundas	317
2015	ICLR	Esforzarse por la simplicidad: la red convolucional	4645	Pytorch
2015	CVPR	Comprender las representaciones de imágenes profundas invirtiéndolas	1942	Matlab
2015	ICCV	Comprender las características profundas con imágenes generadas por computadora	156	Cafetería
2015	Taller ICML	Comprender las redes neuronales a través de una visualización profunda	2038	Flujo tensor
2015	Aas	Clases interpretables utilizando reglas y análisis bayesianos: construir un mejor modelo de predicción de accidente cerebrovascular	749
2014	ECCV	Visualizar y comprender las redes convolucionales	18604	Pytorch
2014	ICLR	Redes convolucionales profundas: visualización de modelos de clasificación de imágenes y mapas de salivación	6142	Pytorch
2013	ICCV	Hoggles: Visualización de características de detección de objetos	352

• Charla en papel