期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
利用LIME对脓毒症预测模型进行可解释性分析
被引量：
8
1
作者
黄艺龙
秦小林
+2 位作者
陈芋文
张力戈
易斌
《计算机应用》
CSCD
北大核心
2021年第S01期332-335,共4页
针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析。模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,...
针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析。模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,再利用LR对提取到的特征进行分类;解释部分使用LIME模型提取出关键的预测指标对模型进行解释。实验结果表明,通过XGBoost+LR模型进行脓毒症预测的准确率为99%,受试者工作特征曲线下面积(AUROC)为0.984,优于单独使用XGBoost(准确率:95%,AUROC:0.953)和LR(准确率:53%,AUROC:0.556)或者LGBM(准确率:90%,AUROC:0.974),同时通过LIME能有效地提取出前10个最重要的指标,对脓毒症预测模型进行可解释性分析,提高了模型的可信度。
展开更多
关键词
脓毒症
机器学习
XGBoost
模型可解释性
lime
在线阅读
下载PDF
职称材料
IsomapVSG-LIME:一种新的模型无关解释方法
被引量：
1
2
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...
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。
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LIME的恶意代码对抗样本生成技术
3
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...
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。
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
利用LIME对脓毒症预测模型进行可解释性分析
被引量：
8
1
作者
黄艺龙
秦小林
陈芋文
张力戈
易斌
机构
中国科学院成都计算机应用研究所
中国科学院大学
中国科学院重庆绿色智能技术研究院
陆军军医大学第一附属医院
出处
《计算机应用》
CSCD
北大核心
2021年第S01期332-335,共4页
基金
国家重点研发计划项目(2018YFC0116704)
陆军军医大学第一附属医院伦理委员会批准项目(KY201936)
+1 种基金
四川省科技计划项目(2019ZDZX0005,2019ZDZX0006)
四川省科技创新苗子工程项目(2020013)。
文摘
针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析。模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,再利用LR对提取到的特征进行分类;解释部分使用LIME模型提取出关键的预测指标对模型进行解释。实验结果表明,通过XGBoost+LR模型进行脓毒症预测的准确率为99%,受试者工作特征曲线下面积(AUROC)为0.984,优于单独使用XGBoost(准确率:95%,AUROC:0.953)和LR(准确率:53%,AUROC:0.556)或者LGBM(准确率:90%,AUROC:0.974),同时通过LIME能有效地提取出前10个最重要的指标,对脓毒症预测模型进行可解释性分析,提高了模型的可信度。
关键词
脓毒症
机器学习
XGBoost
模型可解释性
lime
Keywords
sepsis
machine learning
XGBoost
model
interpret
ability
local
interpretable
model-agnostic
explan
ation(
lime
)
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
IsomapVSG-LIME:一种新的模型无关解释方法
被引量：
1
2
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LIME的恶意代码对抗样本生成技术
3
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
利用LIME对脓毒症预测模型进行可解释性分析
黄艺龙
秦小林
陈芋文
张力戈
易斌
《计算机应用》
CSCD
北大核心
2021
8
在线阅读
下载PDF
职称材料
2
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
1
在线阅读
下载PDF
职称材料
3
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
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
