Artigos mais recentes para Interpretação de Modelos

Um novo método melhora a agregação de árvores de decisão mantendo a interpretabilidade e a privacidade.

Uma nova abordagem para previsões mais claras de GNN usando explicações de subgráficos focadas em arestas.

Este estudo analisa modelos de recuperação neural usando métodos causais para ter melhores insights de relevância.

Esse artigo fala sobre um modelo white-box pra aprendizado não supervisionado eficaz.

Autoencoders esparsos melhoram a interpretabilidade dos sistemas de IA e dos processos de tomada de decisão deles.

Este estudo avalia métodos de saliência em PLN através de avaliação humana.

Um novo método melhora a clareza e o desempenho das previsões de GNN.

Este artigo explora técnicas de análise de circuitos em modelos de Transformadores para melhorar o processamento de linguagem.

Um novo método oferece insights mais claros sobre as decisões dos modelos de deep learning.

O FreeShap melhora a atribuição de instâncias para modelos de linguagem, aumentando a confiabilidade e a eficiência.

MLPs bilineares oferecem modelos mais simples e mais fáceis de entender em aprendizado de máquina.

Um novo método melhora a transparência do modelo e a confiança em áreas críticas como a saúde.

Explicar as decisões de GNN usando regras de ativação melhora a confiança e a compreensão.

Um novo método pra entender como modelos de áudio fazem previsões.

Um framework unificado pra avaliar tipos de explicação pra entender melhor os modelos.

Este artigo apresenta um novo método para melhor entender modelos de aprendizado de máquina.

Dados faltantes afetam o desempenho do modelo e as informações obtidas com aprendizado de máquina.

Uma visão geral da interpretabilidade mecanicista em modelos de linguagem baseados em transformadores.

Analisando como os modelos de linguagem codificam e relacionam conceitos.

Um novo framework minimiza o esforço humano enquanto lida com os preconceitos do modelo.

TokenSHAP mostra como as palavras impactam as respostas dos modelos de linguagem.

Um estudo sobre a confiabilidade das autoexplicações de LLM em tarefas de linguagem natural.

CEViT melhora a medição de similaridade de imagens e oferece explicações claras.

Um novo método que combina aprendizado de conceitos e representações desvinculadas pra entender melhor o modelo.

Analisando como outliers de classe afetam a explicabilidade em modelos de machine learning.

Aprenda como as composições de Shapley melhoram a compreensão das previsões multiclasses.

Esse estudo investiga o impacto do DCLS na interpretabilidade e precisão do modelo.

GLEAMS oferece explicações claras, locais e globais, para previsões de aprendizado de máquina de forma eficiente.

Novos modelos melhoram o desempenho usando rótulos de classe e conceitos dos dados.

Uma olhada nas principais diferenças entre IA Explicável e IA Interpretável.

Novos métodos melhoram a compreensão das decisões de aprendizado profundo na análise de séries temporais.

Uma nova ferramenta ajuda os usuários a entender modelos de árvore complexos.

Um método que melhora a CNN focando em áreas chave da imagem pra tomar decisões melhores.

Este estudo avalia a estrutura IDGI para explicar as previsões de modelos de aprendizado profundo.

GAProtoNet melhora a classificação de texto, aumentando a interpretabilidade sem perder a precisão.

EQ-CBM melhora a compreensão da IA através de uma codificação de conceitos mais eficiente e flexível.

Um novo método melhora o agrupamento de redes neurais pra uma compreensão melhor.

Novos métodos melhoram a precisão das funções de influência em modelos grandes.

Uma nova abordagem para visualização e entendimento mais claros dos modelos de deep learning.

Um novo método melhora a compreensão das características e decisões das CNNs.