基于潜表示分析的深度透明预测
机器学习
2020-09-22 v2 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
本文提出一种新颖的深度学习方法，其从训练好的深度神经网络 (DNNs) 中提取潜信息，并导出简洁的表示，以有效且统一的方式进行分析用于预测。众所周知，DNNs 能够分析复杂数据；然而，它们在决策中缺乏透明性，即难以解释其预测或可视化其所依据的特征。此外，它们通常需要大量数据以学习并适应不同环境。这使得它们在医疗健康领域的应用较为困难，而信任与个性化是关键问题。透明性结合高预测精度是所提方法的目标。它包括有监督的 DNN 训练以及从训练好的 DNNs 中提取的潜变量的无监督学习。来自多源的域适应也作为一种扩展被提出，其中提取的潜变量表示被用于在其他未标注的环境中生成预测。通过多个领域的大型实验研究说明了成功应用：从 MRI 和 DaTScans 预测帕金森病；从 CT 扫描和 X 射线预测 COVID-19 与肺炎；零售食品包装中的光学字符验证。
引用
@article{arxiv.2009.07044,
title = {Deep Transparent Prediction through Latent Representation Analysis},
author = {D. Kollias and N. Bouas and Y. Vlaxos and V. Brillakis and M. Seferis and I. Kollia and L. Sukissian and J. Wingate and S. Kollias},
journal= {arXiv preprint arXiv:2009.07044},
year = {2020}
}
备注
16 pages, 8 figures, to be published at Foundations of Trustworthy AI integrating Learning, Optimisation and Reasoning (TAILOR) Workshop of European Conference on Artificial Intelligence (ECAI) 2020. arXiv admin note: substantial text overlap with arXiv:1911.10653