检索结果-维普期刊中文期刊服务平台

IsomapVSG-LIME:一种新的模型无关解释方法被引量：2: 1; 作者向许于洪 +1 位作者张晓霞王国胤《智能系统学报》 CSCD 北大核心 2023年第4期841-848,共8页; 为了解决局部可解释模型无关的解释(local interpretable model-agnostic explanations,LIME)随机扰动采样方法导致产生的解释缺乏局部忠实性和稳定性的问题,本文提出了一种新的模型无关解释方法IsomapVSG-LIME。该方法使用基于流形学... 展开更多; 关键词局部可解释模型无关的解释机器学习等距映射虚拟样本生成凝聚层次聚类稳定性局部忠实性随机扰动采样特征序列稳定性指数; 在线阅读下载PDF 职称材料

基于边扰动的链接预测解释方法: 2; 作者陈耿靖郭躬德林世水《计算机应用研究》北大核心 2025年第2期425-430,共6页; 多数链接预测模型是解释性较差的黑盒模型,因此不少学者提出了针对链接预测的解释方法,但这些方法存在着解释的目标模型单一、缺乏泛化能力、解释结果准确率不足等缺陷。为弥补这些不足,提出一种基于边扰动的链接预测的解释方法。首先... 展开更多; 关键词知识图谱链接预测可解释性模型无关性; 在线阅读下载PDF 职称材料

面向知识图谱链接预测任务的解释子图生成模型被引量：4: 3; 作者姚俊萍袁聪 +3 位作者李晓军郭毅王浩周志杰《计算机应用研究》 CSCD 北大核心 2024年第2期375-380,共6页; 近年来图神经网络(GNN)发展迅速,相关模型在知识图谱链接预测任务上的性能显著提升。为解释性能提升的原因,研究人员需要提取GNN学习到的子图模式。然而现有GNN解释器在知识图谱这类典型多关系(multi-relation)图数据场景下的解释准确... 展开更多; 关键词可解释性知识图谱知识推理图神经网络模型无关解释方法; 在线阅读下载PDF 职称材料

来自大别山深成侵入岩图像深度迁移学习的可解释性研究被引量：3: 4; 作者陈忠良袁峰 +1 位作者李晓晖郑超杰《地质论评》 CAS CSCD 北大核心 2023年第6期2263-2273,共11页; 岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这... 展开更多; 关键词深度学习岩性识别可解释性特征图可视化局部可理解的模型解释; 在线阅读下载PDF 职称材料

基于改进PCFG的语言解释器模糊测试: 5; 作者刘志昊孙晓山张阳《计算机工程》 CAS CSCD 北大核心 2019年第8期22-24,30,共4页; 为在语言解释器的模糊测试中构造符合语言规范的样本,并尽可能地得出异常测试结果以便发现漏洞,采用改进的概率上下文无关语法模型控制样本的变异过程,对变异结果中的未定义变量进行修正以提高符合语言规范的样本比率。在此基础上,对语... 展开更多; 关键词模糊测试马尔科夫模型概率上下文无关语法机器学习语言解释器; 在线阅读下载PDF 职称材料

基于LIME的恶意代码对抗样本生成技术: 6; 作者黄天波李成扬 +2 位作者刘永志李燈辉文伟平《北京航空航天大学学报》 EI CAS CSCD 北大核心 2022年第2期331-338,共8页; 基于机器学习检测恶意代码技术的研究和分析,针对机器学习模型对抗样本的生成提出一种基于模型无关的局部可解释(LIME)的黑盒对抗样本生成方法。该方法可以对任意黑盒的恶意代码分类器生成对抗样本,绕过机器学习模型检测。使用简单模型... 展开更多; 关键词对抗样本恶意代码机器学习模型无关的局部可解释(LIME) 目标分类器; 在线阅读下载PDF 职称材料

题名IsomapVSG-LIME:一种新的模型无关解释方法被引量：2: 1; 作者向许于洪张晓霞王国胤; 机构重庆邮电大学计算智能重庆市重点实验室; 出处《智能系统学报》 CSCD 北大核心 2023年第4期841-848,共8页; 基金国家自然科学基金项目(62136002,61876027) 重庆英才计划项目(cstc2022ycjh-bgzxm0004)。; 文摘为了解决局部可解释模型无关的解释(local interpretable model-agnostic explanations,LIME)随机扰动采样方法导致产生的解释缺乏局部忠实性和稳定性的问题,本文提出了一种新的模型无关解释方法IsomapVSG-LIME。该方法使用基于流形学习的等距映射虚拟样本生成(isometric mapping virtual sample generation,IsomapVSG)方法代替LIME的随机扰动采样方法来生成样本,并使用凝聚层次聚类方法从虚拟样本中选择具有代表性的样本用以训练解释模型;本文还提出了一种新的解释稳定性评价指标—特征序列稳定性指数(features sequence stability index,FSSI),解决了以往评价指标忽略特征的序关系和解释翻转的问题。实验结果表明,本文提出的方法在稳定性和局部忠实性上均优于现有的最新模型。; 关键词局部可解释模型无关的解释机器学习等距映射虚拟样本生成凝聚层次聚类稳定性局部忠实性随机扰动采样特征序列稳定性指数; Keywords local interpretable model-agnostic explanations(LIME) machine learning IsomapVSG hierarchical agglomerative clustering stability local fidelity random perturbation sampling features sequence stability index(FSSI); 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于边扰动的链接预测解释方法: 2; 作者陈耿靖郭躬德林世水; 机构福建师范大学计算机与网络空间安全学院福建医科大学省立临床医学院福州大学附属省立医院骨科; 出处《计算机应用研究》北大核心 2025年第2期425-430,共6页; 基金福建省自然科学基金资助项目(2022J01398)。; 文摘多数链接预测模型是解释性较差的黑盒模型,因此不少学者提出了针对链接预测的解释方法,但这些方法存在着解释的目标模型单一、缺乏泛化能力、解释结果准确率不足等缺陷。为弥补这些不足,提出一种基于边扰动的链接预测的解释方法。首先利用广度优先搜索得到从头实体到尾实体的所有路径,随后搜索路径所经过实体的邻居节点,形成待解释三元组的训练子图;然后采用边扰动的方式在训练子图上重新训练嵌入模型,计算每条边对预测结果的影响程度;最后通过双向的束搜索得到对预测结果影响程度最大的路径,作为待解释三元组的解释路径。实验表明,该方法在公共数据集上的性能超过了大多数的链接预测解释方法,ACC相较于最先进的方法提升了2.3%,AUPR提升了1.9%。同时在生物医学数据集上针对使用链接预测技术的药物重定位任务进行结果的解释实验,其解释体现了良好的可理解性、启发性。提出了一种不依赖于特定模型且有效的解释方法,该方法通过边扰动和路径搜索得到解释路径,使结果的解释更加直观和易于理解,同时能够为不同领域的知识图谱应用提供支持。; 关键词知识图谱链接预测可解释性模型无关性; Keywords knowledge graph(KG) link prediction interpretability model independence; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名面向知识图谱链接预测任务的解释子图生成模型被引量：4: 3; 作者姚俊萍袁聪李晓军郭毅王浩周志杰; 机构火箭军工程大学; 出处《计算机应用研究》 CSCD 北大核心 2024年第2期375-380,共6页; 基金国家自然科学基金资助项目陕西省科技创新团队项目。; 文摘近年来图神经网络(GNN)发展迅速,相关模型在知识图谱链接预测任务上的性能显著提升。为解释性能提升的原因,研究人员需要提取GNN学习到的子图模式。然而现有GNN解释器在知识图谱这类典型多关系(multi-relation)图数据场景下的解释准确性尚未被验证,且相关工具尚未实现,导致解释子图提取困难。针对该问题,提出一种将多关系的知识图谱转换为单关系(uni-relational)图的知识图谱链接预测模型,该模型通过将知识图谱中的实体组合为新的节点,并将关系作为新节点的特征,生成只有单一关系的新图,并在新图上训练去噪自编码器使其获得链接预测能力,最后使用GNN解释器生成子图解释。在三个基准数据集上的实验表明,与不进行转换的GraIL相比,基于单关系转换的链接预测模型的相对AUC指标提升显著。最后,该模型选取FB15K-237数据集进行解释子图提取实验,验证了模型在直接提取链接预测解释方面的有效性。; 关键词可解释性知识图谱知识推理图神经网络模型无关解释方法; Keywords interpretability knowledge graph(KG) knowledge reasoning graph neural network(GNN) model-agnostic explanatory methods; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名来自大别山深成侵入岩图像深度迁移学习的可解释性研究被引量：3: 4; 作者陈忠良袁峰李晓晖郑超杰; 机构安徽省地质调查院合肥工业大学资源与环境工程学院; 出处《地质论评》 CAS CSCD 北大核心 2023年第6期2263-2273,共11页; 基金国家自然科学基金资助项目(编号:41820104007,42072321,42202328)的成果。; 文摘岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象?深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明:对于岩石图像深度学习,网络结构并不总是越深越好。; 关键词深度学习岩性识别可解释性特征图可视化局部可理解的模型解释; Keywords deep learning lithological recognition interpretability convnet visualization LIME; 分类号 P588.12 [天文地球—岩石学] P585 [天文地球—岩石学]; 在线阅读下载PDF 职称材料

题名基于改进PCFG的语言解释器模糊测试: 5; 作者刘志昊孙晓山张阳; 机构中国科学院软件研究所; 出处《计算机工程》 CAS CSCD 北大核心 2019年第8期22-24,30,共4页; 基金国家自然科学基金(61471344); 文摘为在语言解释器的模糊测试中构造符合语言规范的样本,并尽可能地得出异常测试结果以便发现漏洞,采用改进的概率上下文无关语法模型控制样本的变异过程,对变异结果中的未定义变量进行修正以提高符合语言规范的样本比率。在此基础上,对语言解释器进行模糊测试,结果表明,该测试所生成样本中符合语法、语义规范的比率高达96 %。; 关键词模糊测试马尔科夫模型概率上下文无关语法机器学习语言解释器; Keywords fuzzing testing Markov model Probabilistic Context Free Grammar(PCFG) machine learning language interpreter; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于LIME的恶意代码对抗样本生成技术: 6; 作者黄天波李成扬刘永志李燈辉文伟平; 机构北京大学软件与微电子学院; 出处《北京航空航天大学学报》 EI CAS CSCD 北大核心 2022年第2期331-338,共8页; 基金国家自然科学基金(61872011)。; 文摘基于机器学习检测恶意代码技术的研究和分析,针对机器学习模型对抗样本的生成提出一种基于模型无关的局部可解释(LIME)的黑盒对抗样本生成方法。该方法可以对任意黑盒的恶意代码分类器生成对抗样本,绕过机器学习模型检测。使用简单模型模拟目标分类器的局部表现,获取特征权重;通过扰动算法生成扰动,根据生成的扰动对原恶意代码进行修改后生成对抗样本;基于2015年微软公布的常见恶意样本数据集和收集的来自50多个供应商的良性样本数据对所提方法进行实验,参照常见恶意代码分类器实现了18个基于不同算法或特征的目标分类器,使用所提方法对目标分类器进行攻击,使分类器的真阳性率均降低到接近0。此外,对MalGAN和ZOO两个先进的黑盒对抗样本生成方法与所提方法进行对比,实验结果表明:所提方法能够有效生成对抗样本,且方法本身具有适用范围广泛、能灵活控制扰动和健全性的优点。; 关键词对抗样本恶意代码机器学习模型无关的局部可解释(LIME) 目标分类器; Keywords adversarial samples malicious code machine learning local interpretable model-agnostic explanations(LIME) target classifiers; 分类号 TP309 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	IsomapVSG-LIME:一种新的模型无关解释方法	向许于洪张晓霞王国胤	《智能系统学报》 CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
2	基于边扰动的链接预测解释方法	陈耿靖郭躬德林世水	《计算机应用研究》北大核心	2025	0	在线阅读下载PDF 职称材料
3	面向知识图谱链接预测任务的解释子图生成模型	姚俊萍袁聪李晓军郭毅王浩周志杰	《计算机应用研究》 CSCD 北大核心	2024	4	在线阅读下载PDF 职称材料
4	来自大别山深成侵入岩图像深度迁移学习的可解释性研究	陈忠良袁峰李晓晖郑超杰	《地质论评》 CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
5	基于改进PCFG的语言解释器模糊测试	刘志昊孙晓山张阳	《计算机工程》 CAS CSCD 北大核心	2019	0	在线阅读下载PDF 职称材料
6	基于LIME的恶意代码对抗样本生成技术	黄天波李成扬刘永志李燈辉文伟平	《北京航空航天大学学报》 EI CAS CSCD 北大核心	2022	0	在线阅读下载PDF 职称材料