HypperSteer：深度学习序列预测中的假设引导与数据扰动
机器学习
2020-11-23 v2 人工智能
人机交互
摘要
深度循环神经网络（RNN）在时序事件序列的预测性决策中持续取得成功。近期研究已表明，在解释面向实际应用的深度学习模型时，可视化分析具有重要性与实用性。然而，极少有工作能实现与深度学习模型的交互，并引导从业者形成朝向期望预测结果的假设，尤其是针对序列预测。具体而言，现有工作均未涉及序列结果预测中沿不同时间步的假设分析与数值扰动。我们提出一种模型无关的可视化分析工具 HypperSteer，其引导假设检验并允许用户交互式地扰动序列预测数据。我们展示了 HypperSteer 如何辅助引导患者数据以达成期望的治疗结果，并讨论了 HypperSteer 如何作为其他实际场景的综合性解决方案。
引用
@article{arxiv.2011.02149,
title = {HypperSteer: Hypothetical Steering and Data Perturbation in Sequence Prediction with Deep Learning},
author = {Chuan Wang and Kwan-Liu Ma},
journal= {arXiv preprint arXiv:2011.02149},
year = {2020}
}