awesome_deep_learning_interpretability

Awesome_deep_learning_interpretabilidade

Documentos relacionados à aprendizagem profunda sobre o modelo explicativo nos últimos anos.

Classificar por número de referência

159 Documentos PDF (2 deles precisam ser encontrados no Scihub) foram enviados para Tencent Weiyun.

Atualizado de tempos em tempos.

Ano	Publicação	Papel	Citação	código
2020	Cvpr	Explicando a destilação do conhecimento quantificando o conhecimento	81
2020	Cvpr	Componente de alta frequência ajuda a explicar a generalização de redes neurais convolucionais	289
2020	Cvprw	Score-CAM: Explicações visuais ponderadas por pontuação para redes neurais convolucionais	414	Pytorch
2020	ICLR	Consistência do conhecimento entre redes neurais e além	28
2020	ICLR	Redes neurais de valor complexo interpretável para proteção de privacidade	vinte e três
2019	Ai	Explicação em Inteligência Artística: Insights das Ciências Sociais	3248
2019	NMI	Pare de explicar os modelos de aprendizado de máquina da caixa preta para decisões de alto risco e use modelos interpretáveis ​​em vez disso	3505
2019	Neurips	Você pode confiar na incerteza do seu modelo? Avaliando a incerteza preditiva em mudança de conjunto de dados	1052	-
2019	Neurips	Parece isso: aprendizado profundo para reconhecimento de imagem interpretável	665	Pytorch
2019	Neurips	Uma referência para métodos de interpretação em redes neurais profundas	413
2019	Neurips	Representação de gradiente completo para visualização de rede neural	155
2019	Neurips	Sobre a fidelidade e a sensibilidade das explicações	226
2019	Neurips	Para explicações automáticas baseadas em conceitos	342	Tensorflow
2019	Neurips	Cxplain: explicações causais para interpretação do modelo sob incerteza	133
2019	Cvpr	Interpretando CNNs através de árvores de decisão	293
2019	Cvpr	Do reconhecimento à cognição: raciocínio visual de senso comum	544	Pytorch
2019	Cvpr	Rede de ramificação de atenção: aprendizado de mecanismo de atenção para explicação visual	371
2019	Cvpr	Explicações visuais interpretáveis ​​e de granulação fina para redes neurais convolucionais	116
2019	Cvpr	Aprendendo a explicar com exemplos complementares	36
2019	Cvpr	Cenas reveladoras, invertendo a estrutura de reconstruções de movimento	84	Tensorflow
2019	Cvpr	Explicações multimodais prevendo a contrafactualidade em vídeos	26
2019	Cvpr	Visualizando a resiliência de profundas interpretações de rede convolucional	2
2019	ICCV	U-CAM: Explicação visual usando mapas de ativação de classe baseados em incerteza	61
2019	ICCV	Rumo ao reconhecimento de rosto interpretável	66
2019	ICCV	Tomando uma dica: alavancando explicações para tornar os modelos de visão e linguagem mais fundamentados	163
2019	ICCV	Entendendo redes profundas por meio de perturbações extremais e máscaras suaves	276	Pytorch
2019	ICCV	Explicando redes neurais semanticamente e quantitativamente	49
2019	ICLR	Interpretações hierárquicas para previsões de rede neural	111	Pytorch
2019	ICLR	Quão importante é um neurônio?	101
2019	ICLR	Explicação visual por interpretação: melhorando os recursos de feedback visual de redes neurais profundas	56
2018	ICML	Extraindo autômatos de redes neurais recorrentes usando consultas e contra -exemplos	169	Pytorch
2019	ICML	Em direção a uma compreensão profunda e unificada de modelos neurais profundos na PNL	80	Pytorch
2019	ICais	Interpretando previsões de caixas pretas usando grãos pescadores	80
2019	Acmfat	Explicando explicações na IA	558
2019	Aaai	A interpretação das redes neurais é frágil	597	Tensorflow
2019	Aaai	Extração do mapa de saliência agnóstico do classificador	vinte e três
2019	Aaai	Você pode explicar isso? Explicações lúcidas ajudam a recuperação de imagem colaborativa humana-AI	11
2019	Aaaiw	Aprendizagem não supervisionada de redes neurais para explicar as redes neurais	28
2019	Aaaiw	Transplante de rede	4
2019	CSUR	Uma pesquisa com métodos para explicar modelos de caixas pretas	3088
2019	Jvcir	Redes neurais convolucionais interpretáveis ​​por meio de design de feedforward	134	Keras
2019	Expliquei	A (não) confiabilidade dos métodos de salivência	515
2019	ACL	Atenção não é explicação	920
2019	Emnlp	Atenção não é explicação	667
2019	arxiv	Interpretabilidade da atenção nas tarefas de PNL	129
2019	arxiv	CNNs interpretáveis	2
2018	ICLR	Para uma melhor compreensão dos métodos de atributo baseados em gradiente para redes neurais profundas	775
2018	ICLR	Aprendendo a explicar as redes neurais: PatternNet e Patternattribution	342
2018	ICLR	Sobre a importância de direções únicas para generalização	282	Pytorch
2018	ICLR	Detectando interações estatísticas de pesos da rede neural	148	Pytorch
2018	ICLR	Contagem interpretável para responder a perguntas visuais	55	Pytorch
2018	Cvpr	Redes neurais convolucionais interpretáveis	677
2018	Cvpr	Diga -me onde procurar: Atenção Guiada Rede de Inferência	454	Chainner
2018	Cvpr	Explicações multimodais: justificando decisões e apontando para a evidência	349	Caffe
2018	Cvpr	Transparência por design: feche a lacuna entre desempenho e interpretação no raciocínio visual	180	Pytorch
2018	Cvpr	NET2VEC: Quantificando e explicando como os conceitos são codificados por filtros em redes neurais profundas	186
2018	Cvpr	O que aprendemos com representações profundas para reconhecimento de ação?	52
2018	Cvpr	Aprendendo a agir corretamente: prever e explicar as possibilidades de imagens	57
2018	Cvpr	Categorias de ensino para alunos humanos com explicações visuais	64	Pytorch
2018	Cvpr	O que as redes profundas gostam de ver?	36
2018	Cvpr	Interpretar redes neurais, identificando caminhos críticos de roteamento de dados	73	Tensorflow
2018	ECCV	Agrupamento profundo para aprendizado não supervisionado de recursos visuais	2056	Pytorch
2018	ECCV	Computação neural explicável por meio de redes de módulos neurais de pilha	164	Tensorflow
2018	ECCV	Explicações visuais fundamentais	184
2018	ECCV	Explicações textuais para veículos autônomos	196
2018	ECCV	Decomposição de base interpretável para explicação visual	228	Pytorch
2018	ECCV	Convnets e imagenet além da precisão: entender erros e descobrir vieses	147
2018	ECCV	VQA-e: explicando, elaborando e aprimorando suas respostas para perguntas visuais	71
2018	ECCV	Escolha o seu neurônio: incorporando o conhecimento do domínio por meio da importância do neurônio	41	Pytorch
2018	ECCV	Visualizações de recursos diversos revelam invariâncias em camadas iniciais de redes neurais profundas	vinte e três	Tensorflow
2018	ECCV	Explicaingan: explicação do modelo por meio de transformações de cruzamento de limites de decisão	36
2018	ICML	Interpretabilidade além do atributo de recurso: testes quantitativos com vetores de ativação conceitual	1130	Tensorflow
2018	ICML	Aprendendo a explicar: uma perspectiva teórica da informação sobre a interpretação do modelo	421
2018	ACL	O modelo entendeu a pergunta?	171	Tensorflow
2018	Fitee	Interpretação visual para aprendizado profundo: uma pesquisa	731
2018	Neurips	A sanidade verifica mapas de salivação	1353
2018	Neurips	Explicações baseadas na falta: para explicações contrárias com negativos pertinentes	443	Tensorflow
2018	Neurips	Rumo à interpretação robusta com redes neurais auto-expedidas	648	Pytorch
2018	Neurips	Ataques atendem à interpretabilidade: Detecção de atributos de amostras adversárias	142
2018	Neurips	Deeppink: seleção de recursos reproduzíveis em redes neurais profundas	125	Keras
2018	Neurips	Seleção de pontos do representante para explicar redes neurais profundas	182	Tensorflow
2018	Workshop Neurips	Filtros convolucionais interpretáveis ​​com Sincnet	97
2018	Aaai	Âncoras: Explicações agnósticas modelo de alta precisão	1517
2018	Aaai	Melhorando a robustez adversária e a interpretação das redes neurais profundas, regularizando seus gradientes de entrada	537	Tensorflow
2018	Aaai	Aprendizado profundo para o raciocínio baseado em casos através de protótipos: uma rede neural que explica suas previsões	396	Tensorflow
2018	Aaai	Interpretando o conhecimento da CNN por meio de um gráfico explicativo	199	Matlab
2018	Aaai	Examinando representações da CNN em relação ao viés do conjunto de dados	88
2018	WACV	Grad-Cam ++: Explicações visuais baseadas em gradiente generalizado para redes convolucionais profundas	1459
2018	IJCV	Atenção neural de cima para baixo por excitação backprop	778
2018	Tpami	Interpretando representações visuais profundas via dissecção de rede	252
2018	DSP	Métodos para interpretar e entender redes neurais profundas	2046
2018	Acesso	Espreitando dentro da caixa preta: uma pesquisa sobre inteligência artificial explicável (XAI)	3110
2018	Jair	Aprendendo regras explicativas a partir de dados barulhentos	440	Tensorflow
2018	Mipro	Inteligência artística explicável: uma pesquisa	794
2018	BMVC	Rise: Amostragem de entrada randomizada para explicação de modelos de caixa preta	657
2018	arxiv	Destill-and-Compare: Auditando modelos de caixa preta usando destilação de modelo transparente	194
2018	arxiv	Manipulando e medindo a interpretação do modelo	496
2018	arxiv	Como a rede neural convolucional veja o mundo-uma pesquisa de métodos convolucionais de visualização de rede neural	211
2018	arxiv	Revisitando a importância de unidades individuais nos CNNs via ablação	93
2018	arxiv	Medidas computacionalmente eficientes de importância do neurônio interno	10
2017	ICML	Entendendo as previsões de caixa preta via funções de influência	2062	Pytorch
2017	ICML	Atributo axiomático para redes profundas	3654	Keras
2017	ICML	Aprendendo características importantes através da propagação de diferenças de ativação	2835
2017	ICLR	Visualizando decisões de rede neural profunda: Análise de diferença de previsão	674	Caffe
2017	ICLR	Explorando lotes em redes neurais profundas	34
2017	Neurips	Uma abordagem unificada para interpretar previsões de modelos	11511
2017	Neurips	Saliência da imagem em tempo real para aulas de caixa preta	483	Pytorch
2017	Neurips	SVCCA: análise de correlação canônica do vetor singular para dinâmica e interpretabilidade de aprendizado profundo	473
2017	Cvpr	Peças de objeto de mineração dos CNNs por meio de resposta a perguntas ativas	29
2017	Cvpr	Dissecção de rede: quantificando a interpretabilidade de representações visuais profundas	1254
2017	Cvpr	Melhorando a interpretabilidade de redes neurais profundas com informações semânticas	118
2017	Cvpr	MDNET: uma rede de diagnóstico de imagem médica semantica e visualmente interpretável	307	Tocha
2017	Cvpr	Fazendo o V em VQA matéria: elevando o papel do entendimento da imagem na resposta visual de perguntas	1686
2017	Cvpr	Saber quando procurar: atenção adaptativa por meio de um Sentinel visual para a legenda da imagem	1392	Tocha
2017	Cvprw	Análise interpretável de ação humana 3D com redes convolucionais temporais	539
2017	ICCV	Grad-cam: explicações visuais de redes profundas por meio de localização baseada em gradiente	13006	Pytorch
2017	ICCV	Explicações interpretáveis ​​de caixas pretas por perturbação significativa	1293	Pytorch
2017	ICCV	Aprendizagem interpretável para carros autônomos, visualizando a atenção causal	323
2017	ICCV	Entendendo e comparando redes neurais profundas para a idade e classificação de gênero	130
2017	ICCV	Aprendendo a se desambiguar fazendo perguntas discriminativas	26
2017	Ijcai	Certo pelas razões certas: treinar modelos diferenciáveis ​​restringindo suas explicações	429
2017	Ijcai	Entendendo e melhorando as redes neurais convolucionais por meio de unidades lineares retificadas concatenadas	510	Caffe
2017	Aaai	Gráficos de peças interpretáveis ​​crescentes em Convnets por meio de aprendizado com vários tiros	67	Matlab
2017	ACL	Visualizar e entender a tradução da máquina neural	179
2017	Emnlp	Uma estrutura causada para explicar as previsões dos modelos de sequência de sequência de caixa preta	192
2017	Workshop CVPR	Olhando sob o capô: Visualização de rede neural profunda para interpretar os resultados da análise de imagem em todo o deslizamento para polys coloridos	47
2017	Enquete	Interpretabilidade de modelos de aprendizado profundo: uma pesquisa com resultados	345
2017	arxiv	SmoothGrad: Removendo o ruído adicionando ruído	1479
2017	arxiv	Interpretável e explore aproximações de modelos de caixa preta	259
2017	arxiv	Destilar uma rede neural em uma árvore de decisão suave	520	Pytorch
2017	arxiv	Para redes neurais profundas interpretáveis, alavancando exemplos adversários	111
2017	arxiv	Inteligência artística explicável: compreensão, visualização e interpretação de modelos de aprendizado profundo	1279
2017	arxiv	Redes de explicação contextuais	77	Pytorch
2017	arxiv	Desafios para a transparência	142
2017	ACMSOPP	Deepxplore: teste automatizado de WhiteBox de sistemas de aprendizado profundo	1144
2017	CEURW	O que a IA explicável realmente significa? Uma nova conceituação de perspectivas	518
2017	TVCG	Activis: Exploração visual de modelos de rede neural profunda em escala do setor	346
2016	Neurips	Sintetizando as entradas preferidas para neurônios em redes neurais por meio de redes de generadores profundos	659	Caffe
2016	Neurips	Compreendendo o campo receptivo eficaz em profundas redes neurais convolucionais	1356
2016	Cvpr	Invertendo representações visuais com redes convolucionais	626
2016	Cvpr	Visualizar e entender representações profundas de textura	147
2016	Cvpr	Analisando classificadores: vetores pescadores e redes neurais profundas	191
2016	ECCV	Gerando explicações visuais	613	Caffe
2016	ECCV	Design de kernels em redes neurais convolucionais para classificação de imagem	vinte e quatro
2016	ICML	Entendendo e melhorando as redes neurais convolucionais por meio de unidades lineares retificadas concatenadas	510
2016	ICML	Visualizando e comparando Alexnet e VGG usando camadas desconvolucionárias	126
2016	Emnlp	Racionalizando previsões neurais	738	Pytorch
2016	IJCV	Visualização de profundas redes neurais convolucionais usando pré-imagens naturais	508	Matlab
2016	IJCV	Visualizando recursos de detecção de objetos	38	Caffe
2016	KDD	Por que devo confiar em você?: Explicando as previsões de algum classificador	11742
2016	TVCG	Visualizando a atividade oculta das redes neurais artísticas	309
2016	TVCG	Para uma melhor análise de profundas redes neurais convolucionais	474
2016	Naacl	Visualizar e entender modelos neurais na PNL	650	Tocha
2016	arxiv	Entendendo as redes neurais por meio da representação apagada)	492
2016	arxiv	Grad-Cam: Por que você disse isso?	398
2016	arxiv	Investindo a influência do ruído e dos distratores na interpretação das redes neurais	108
2016	arxiv	Explicações atentas: justificando decisões e apontando para a evidência	88
2016	arxiv	Os mitos da interpretabilidade do modelo	3786
2016	arxiv	Visualização de recursos multifacetados: descobrindo os diferentes tipos de recursos aprendidos por cada neurônio em redes neurais profundas	317
2015	ICLR	Lutando pela simplicidade: a rede totalmente convolucional	4645	Pytorch
2015	Cvpr	Compreender representações de imagem profunda invertendo -as	1942	Matlab
2015	ICCV	Compreendendo recursos profundos com imagens geradas por computador	156	Caffe
2015	Workshop ICML	Entendendo as redes neurais através da visualização profunda	2038	Tensorflow
2015	AAS	Classes interpretáveis ​​usando regras e análise bayesiana: construindo um modelo de previsão de derrame melhor	749
2014	ECCV	Visualizar e entender as redes convolucionais	18604	Pytorch
2014	ICLR	No fundo de redes convolucionais: visualização de modelos de classificação de imagens e mapas de salivação	6142	Pytorch
2013	ICCV	HOGGLES: Visualizando recursos de detecção de objetos	352

• Conversa sobre papel