awesome_deep_learning_interpretability

Awesome_deep_Learning_interpretabilité

Documents liés à l'apprentissage en profondeur sur les modèles explicatifs ces dernières années.

Trier par numéro de référence

159 articles PDF (2 d'entre eux doivent être trouvés sur SciHub) ont été téléchargés sur Tencent Weiyun.

Mis à jour de temps en temps.

Année	Publication	Papier	Citation	code
2020	CVPR	Expliquer la distillation des connaissances en quantifiant les connaissances	81
2020	CVPR	La composante à haute fréquence aide à expliquer la généralisation des réseaux de neurones convolutionnels	289
2020	Cvprw	Score-Cam: Explications visuelles pondérées en fonction des scores pour les réseaux de neurones convolutionnels	414	Pytorch
2020	ICLR	Cohérence des connaissances entre les réseaux de neurones et au-delà	28
2020	ICLR	Réseaux de neurones à valeur complexe interprétables pour la protection de la vie privée	vingt-trois
2019	IA	Explication dans l'intelligence artistique: idées des sciences sociales	3248
2019	NMI	Arrêtez d'expliquer les modèles d'apprentissage machine à boîte noire pour les décisions élevées et utilisez des modèles interprétables à la place	3505
2019	Nezier	Pouvez-vous faire confiance à l'incertitude de votre modèle? Évaluation de l'incertitude prédictive sous Shift de jeu de données	1052	-
2019	Nezier	Cela ressemble à ça: Deep Learning pour la reconnaissance d'image interprétable	665	Pytorch
2019	Nezier	Une référence pour les méthodes d'interprétation dans les réseaux de neurones profonds	413
2019	Nezier	Représentation complète pour la visualisation du réseau neuronal	155
2019	Nezier	Sur la (in) fidélité et sensibilité des explications	226
2019	Nezier	Vers des explications automatiques basées sur des concepts	342	Tensorflow
2019	Nezier	CXPLAIN: Explications causales de l'interprétation des modèles sous incertitude	133
2019	CVPR	Interpréter les CNN via des arbres de décision	293
2019	CVPR	De la reconnaissance à la cognition: raisonnement visuel de bon sens	544	Pytorch
2019	CVPR	Réseau de branche d'attention: apprentissage du mécanisme d'attention pour l'explication visuelle	371
2019	CVPR	Explications visuelles interprétables et à grain fin pour les réseaux de neurones convolutionnels	116
2019	CVPR	Apprendre à expliquer avec des exemples complémentaires	36
2019	CVPR	Révéler les scènes en inversant la structure des reconstructions de mouvement	84	Tensorflow
2019	CVPR	Explications multimodales en prédisant la contrefactualité dans les vidéos	26
2019	CVPR	Visualiser la résilience des interprétations profondes du réseau convolutionnel	2
2019	ICCV	U-CAM: Explication visuelle à l'aide de cartes d'activation de classe basées sur l'incertitude	61
2019	ICCV	Vers la reconnaissance du visage interprétable	66
2019	ICCV	Prendre un indice: tirer parti des explications pour rendre les modèles de vision et de langue plus ancrés	163
2019	ICCV	Comprendre les réseaux profonds via des perturbations extrêmes et des masques lisses	276	Pytorch
2019	ICCV	Expliquer les réseaux de neurones sémantiquement et quantitativement	49
2019	ICLR	Interprétations hiérarchiques pour les prédictions du réseau neuronal	111	Pytorch
2019	ICLR	Quelle est l'importance d'un neurone?	101
2019	ICLR	Explication visuelle par interprétation: améliorer les capacités de rétroaction visuelle des réseaux de neurones profonds	56
2018	ICML	Extraction des automates des réseaux de neurones récurrents à l'aide de requêtes et de contre-exemples	169	Pytorch
2019	ICML	Vers une compréhension profonde et unifiée des modèles neuronaux profonds dans la PNL	80	Pytorch
2019	ICAIS	Interprétation des prédictions de la boîte noire à l'aide de grains de pêche	80
2019	Acmfat	Expliquer les explications dans l'IA	558
2019	Aaai	L'interprétation des réseaux de neurones est fragile	597	Tensorflow
2019	Aaai	Extraction de la carte de saillance du classificateur	vingt-trois
2019	Aaai	Pouvez-vous expliquer cela? Les explications lucides aident la récupération d'image collaborative humaine	11
2019	Aaaiw	Apprentissage non surveillé des réseaux de neurones pour expliquer les réseaux de neurones	28
2019	Aaaiw	Transplantation de réseau	4
2019	Csur	Une étude des méthodes pour expliquer les modèles de boîte noire	3088
2019	Jvcir	Réseaux de neurones convolutionnels interprétables via la conception de l'alimentation	134	Kéras
2019	Expliquer	La fiabilité (non) des méthodes de saliverncy	515
2019	ACL	L'attention n'est pas une explication	920
2019	EMNLP	L'attention n'est pas une explication	667
2019	arxiv	Interprétabilité de l'attention à travers les tâches des PNL	129
2019	arxiv	CNNS interprétable	2
2018	ICLR	Vers une meilleure compréhension des méthodes d'attribut basées sur le gradient pour les réseaux de neurones profonds	775
2018	ICLR	Apprendre à expliquer les réseaux de neurones: PatternNet et PatternAttribution	342
2018	ICLR	Sur l'importance des directions uniques pour la généralisation	282	Pytorch
2018	ICLR	Détecter les interactions statistiques à partir des poids du réseau neuronal	148	Pytorch
2018	ICLR	Comptage interprétable pour la réponse aux questions visuelles	55	Pytorch
2018	CVPR	Réseaux de neurones convolutionnels interprétables	677
2018	CVPR	Dites-moi où chercher: réseau d'attention d'attention guidée	454	Chaîne-chaîne
2018	CVPR	Explications multimodales: justifier les décisions et pointer des preuves	349	Caffe
2018	CVPR	Transparence par conception: combler l'écart entre les performances et l'interprétation dans le raisonnement visuel	180	Pytorch
2018	CVPR	Net2Vec: quantifier et expliquer comment les concepts sont codés par des filtres dans des réseaux de neurones profonds	186
2018	CVPR	Qu'avons-nous appris des représentations profondes pour la reconnaissance d'action?	52
2018	CVPR	Apprendre à agir correctement: prédire et expliquer les possibilités des images	57
2018	CVPR	Catégories d'enseignement aux apprenants humains avec des explications visuelles	64	Pytorch
2018	CVPR	Qu'est-ce que les réseaux profonds aiment voir?	36
2018	CVPR	Interpréter les réseaux de neurones en identifiant les chemins de routage des données critiques	73	Tensorflow
2018	ECCV	Regroupement profond pour l'apprentissage non supervisé des fonctionnalités visuelles	2056	Pytorch
2018	ECCV	L'informatique neuronale explicable via des réseaux de modules de neurones piles	164	Tensorflow
2018	ECCV	Mise à la terre des explications visuelles	184
2018	ECCV	Explications textuelles pour les véhicules autonomes	196
2018	ECCV	Décomposition de base interprétable pour l'explication visuelle	228	Pytorch
2018	ECCV	Convalets et ImageNet au-delà de la précision: comprendre les erreurs et découvrir les biais	147
2018	ECCV	VQA-E: Expliquer, élaborer et améliorer vos réponses pour des questions visuelles	71
2018	ECCV	Choisissez votre neurone: incorporer les connaissances du domaine à travers les neurones d'importance	41	Pytorch
2018	ECCV	Les visualisations de caractéristiques diverses révèlent des invariances dans les premières couches de réseaux de neurones profonds	vingt-trois	Tensorflow
2018	ECCV	Explican: Explication du modèle via les transformations de passage aux limites de décision	36
2018	ICML	Interprétabilité au-delà de l'attribut de fonction: tests quantitatifs avec vecteurs d'activation conceptuel	1130	Tensorflow
2018	ICML	Apprendre à expliquer: une perspective théorique de l'information sur l'interprétation du modèle	421
2018	ACL	Le modèle a-t-il compris la question?	171	Tensorflow
2018	Fixe	Interprétation visuelle de l'apprentissage en profondeur: une enquête	731
2018	Nezier	Vérification de la santé mentale pour les cartes de salivation	1353
2018	Nezier	Explications basées sur les disparus: vers des explications contraires avec des négatifs pertinents	443	Tensorflow
2018	Nezier	Vers une interprétation robuste avec des réseaux de neurones auto-explicatifs	648	Pytorch
2018	Nezier	Les attaques rencontrent l'interprétabilité: détection d'attribut d'échantillons contradictoires	142
2018	Nezier	Deeppink: sélection de fonctionnalités reproductibles dans les réseaux de neurones profonds	125	Kéras
2018	Nezier	Sélection du point de représentant pour expliquer les réseaux de neurones profonds	182	Tensorflow
2018	Atelier de Neirips	Filtres convolutionnels interprétables avec Sincnet	97
2018	Aaai	Ancres: explications autostiques de modèle de haute précision	1517
2018	Aaai	Amélioration de la robustesse et de l'interprétation adversaires des réseaux de neurones profonds en régularisant leurs gradients d'entrée	537	Tensorflow
2018	Aaai	Apprentissage en profondeur pour le raisonnement basé sur des cas via des prototypes: un réseau neuronal qui explique ses prédictions	396	Tensorflow
2018	Aaai	Interpréter les connaissances CNN via un graphique explicatif	199	Matlab
2018	Aaai	Examiner les représentations CNN en ce qui concerne le biais de l'ensemble de données	88
2018	Wacv	Grad-CAM ++: Explications visuelles généralisées basées sur le gradient pour les réseaux de convolution profonde	1459
2018	Ijcv	Attention neuronale descendante par excitation rétroprop	778
2018	Tpami	Interprétation des représentations visuelles profondes via la dissection du réseau	252
2018	DSP	Méthodes d'interprétation et de compréhension des réseaux de neurones profonds	2046
2018	Accéder	Jetant un coup d'œil à l'intérieur de la boîte noire: une enquête sur l'intelligence artificielle explicable (XAI)	3110
2018	Jair	Apprendre des règles explicatives à partir de données bruyantes	440	Tensorflow
2018	Mipro	Intelligence artistique explicable: une enquête	794
2018	BMVC	Rise: échantillonnage d'entrée randomisé pour l'explication des modèles de boîte noire	657
2018	arxiv	Distiller-and-compare: Audit des modèles de boîte noire utilisant une distillation de modèle transparent	194
2018	arxiv	Manipulation et mesure de l'interprétation du modèle	496
2018	arxiv	Comment le réseau neuronal convolutionnel Voir le monde - A enquête sur les méthodes de visualisation du réseau neuronal convolutionnel	211
2018	arxiv	Revisiter l'importance des unités individuelles dans CNNS via l'ablation	93
2018	arxiv	Mesures efficaces sur le calcul de l'importance des neurones internes	10
2017	ICML	Comprendre les prédictions de la boîte noire via des fonctions d'influence	2062	Pytorch
2017	ICML	Attribut axiomatique pour les réseaux profonds	3654	Kéras
2017	ICML	Apprendre des caractéristiques importantes grâce à la propagation des différences d'activation	2835
2017	ICLR	Visualiser les décisions de réseau neuronal profond: analyse de différence de prédiction	674	Caffe
2017	ICLR	Explorer beaucoup dans les réseaux de neurones profonds	34
2017	Nezier	Une approche unifiée pour interpréter les prédictions du modèle	11511
2017	Nezier	Saillance d'image en temps réel pour les cours de boîte noire	483	Pytorch
2017	Nezier	SVCCA: Analyse de corrélation canonique vectorielle singulière pour la dynamique et l'interprétabilité de l'apprentissage en profondeur	473
2017	CVPR	Miner des pièces d'objet de CNNS via la réponse à des questions actives	29
2017	CVPR	Dissection du réseau: quantification de l'interprétabilité des représentations visuelles profondes	1254
2017	CVPR	Amélioration de l'interprétabilité des réseaux de neurones profonds avec des informations sémantiques	118
2017	CVPR	MDNET: Un réseau de diagnostic d'image médicale sémantiquement et visuellement interprétable	307	Torche
2017	CVPR	Faire le V dans la matière VQA: élever le rôle de la compréhension de l'image dans la réponse aux questions visuelles	1686
2017	CVPR	Savoir quand regarder: une attention adaptative via une sentinelle visuelle pour le sous-titrage de l'image	1392	Torche
2017	Cvprw	Analyse de l'action humaine 3D interprétable avec des réseaux convolutionnels temporels	539
2017	ICCV	Grad-CAM: Explications visuelles des réseaux profonds via la localisation basée sur le gradient	13006	Pytorch
2017	ICCV	Explications interprétables des boîtes noires par perturbation significative	1293	Pytorch
2017	ICCV	Apprentissage interprétable pour les voitures autonomes en visualisant l'attention causale	323
2017	ICCV	Comprendre et comparer des réseaux de neurones profonds pour l'âge et la classification des sexes	130
2017	ICCV	Apprendre à désambiguier en posant des questions discriminantes	26
2017	Ijcai	Bien pour les bonnes raisons: former des modèles différenciables en contraignant leurs explications	429
2017	Ijcai	Comprendre et améliorer les réseaux de neurones convolutifs via des unités linéaires rectifiées concaténées	510	Caffe
2017	Aaai	Graphiques de pièce interprétables croissants sur les convaints via l'apprentissage multi-shot	67	Matlab
2017	ACL	Visualiser et comprendre la traduction des machines neuronales	179
2017	EMNLP	Un cadre causal pour expliquer les prédictions des modèles de séquence à séquence de boîte noire	192
2017	Atelier CVPR	Regarder sous le capot: Visualisation du réseau neuronal profond pour interpréter les résultats de l'analyse d'image à glissement entier pour les polys colorés	47
2017	Enquête	Interprétabilité des modèles d'apprentissage en profondeur: une enquête sur les résultats	345
2017	arxiv	Smoothrad: retirer le bruit en ajoutant du bruit	1479
2017	arxiv	Interprétable et explorer les approximations des modèles de boîte noire	259
2017	arxiv	Distillant un réseau neuronal dans un arbre de décision souple	520	Pytorch
2017	arxiv	Vers des réseaux de neurones profonds interprétables en tirant parti des exemples contradictoires	111
2017	arxiv	Intelligence artistique explicable: comprendre, visualiser et interpréter les modèles d'apprentissage en profondeur	1279
2017	arxiv	Réseaux d'explication contextuels	77	Pytorch
2017	arxiv	Défis de transparence	142
2017	Acmsopp	Deepxplore: Test automatisé de la boîte blanche des systèmes d'apprentissage en profondeur	1144
2017	Ceurw	Que signifie vraiment l'IA explicable? Une nouvelle conceptualisation des perspectives	518
2017	Tvcg	Activis: Exploration visuelle des modèles de réseaux de neurones profonds à l'échelle de l'industrie	346
2016	Nezier	Synthétisant les entrées préférées pour les neurones dans les réseaux de neurones via des réseaux de générateurs profonds	659	Caffe
2016	Nezier	Comprendre le domaine réceptif efficace dans les réseaux de neurones convolutionnels profonds	1356
2016	CVPR	Inversion des représentations visuelles avec des réseaux convolutionnels	626
2016	CVPR	Visualiser et comprendre les représentations de texture profonde	147
2016	CVPR	Analyse des classificateurs: vecteurs Fisher et réseaux de neurones profonds	191
2016	ECCV	Générer des explications visuelles	613	Caffe
2016	ECCV	Conception de noyaux dans des réseaux de neurones convolutionnels pour la classification de l'image	vingt-quatre
2016	ICML	Comprendre et améliorer les réseaux de neurones convolutifs via des unités linéaires rectifiées concaténées	510
2016	ICML	Visualiser et comparer Alexnet et VGG à l'aide de couches déconvolutionnelles	126
2016	EMNLP	Rationalisation des prédictions neuronales	738	Pytorch
2016	Ijcv	Visualiser les réseaux de neurones convolutionnels profonds en utilisant des pré-images naturels	508	Matlab
2016	Ijcv	Visualiser les fonctionnalités de détection d'objets	38	Caffe
2016	KDD	Pourquoi devrais-je vous faire confiance ?: Expliquer les prédictions d'un classificateur	11742
2016	Tvcg	Visualiser l'activité cachée des réseaux de neurones artistiques	309
2016	Tvcg	Vers une meilleure analyse des réseaux de neurones convolutionnels profonds	474
2016	Naacl	Visualiser et comprendre les modèles neuronaux dans la PNL	650	Torche
2016	arxiv	Comprendre les réseaux de neurones grâce à l'effacement de la représentation)	492
2016	arxiv	Grad-cam: Pourquoi avez-vous dit cela?	398
2016	arxiv	Investir l'influence du bruit et des distracteurs sur l'interprétation des réseaux de neurones	108
2016	arxiv	Explications attentives: justifier les décisions et pointer des preuves	88
2016	arxiv	Le mythe de l'interprétabilité du modèle	3786
2016	arxiv	Visualisation des fonctionnalités multiformes: Découvrir les différents types de fonctionnalités apprises par chaque neurone dans des réseaux de neurones profonds	317
2015	ICLR	Strouver pour la simplicité: le filet entièrement convolutionnel	4645	Pytorch
2015	CVPR	Comprendre les représentations d'images profondes en les inversant	1942	Matlab
2015	ICCV	Comprendre des fonctionnalités profondes avec des images générées par ordinateur	156	Caffe
2015	Atelier ICML	Comprendre les réseaux de neurones grâce à une visualisation profonde	2038	Tensorflow
2015	AAS	Classes interprétables à l'aide de règles et d'analyse bayésienne: construire un meilleur modèle de prédiction de l'AVC	749
2014	ECCV	Visualiser et comprendre les réseaux convolutionnels	18604	Pytorch
2014	ICLR	Réseaux convolutionnels profondément à l'intérieur: visualiser les modèles de classification d'images et les cartes de salivation	6142	Pytorch
2013	ICCV	Hoggles: visualiser les fonctionnalités de détection d'objets	352

• Discours sur papier