愿景论文：面向移动性分析中可解释且鲁棒机器学习的因果推断
机器学习
2022-10-19 v1 人工智能
摘要
人工智能（AI）正革新我们生活的诸多领域，引领技术进步的新时代。特别是，交通部门将受益于 AI 进展并推进智能交通系统发展。构建智能交通系统需要人工智能与移动性分析的精细结合。过去几年，使用先进深度神经网络的交通应用快速发展。然而，此类深度神经网络难以解释且缺乏鲁棒性，延缓了这些 AI 驱动算法在实际中的部署。为提升可用性，越来越多研究致力于开发可解释且鲁棒的机器学习方法，其中因果推断方法因提供可解释且可操作的信息而近期受到关注。此外，此类方法多针对图像或序列数据开发，不满足移动性数据分析的特定要求。本愿景论文强调基于深度学习的移动性分析中需要可解释性与鲁棒性的研究挑战，总结利用因果推断提升机器学习方法可解释性与鲁棒性的近期进展，并指出开发面向移动性分析、具备因果能力的机器学习模型之机遇。该研究方向将使交通领域 AI 更具可解释性与可靠性，从而贡献于更安全、高效与可持续的未来交通系统。
引用
@article{arxiv.2210.10010,
title = {Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis},
author = {Yanan Xin and Natasa Tagasovska and Fernando Perez-Cruz and Martin Raubal},
journal= {arXiv preprint arXiv:2210.10010},
year = {2022}
}
备注
accepted by ACM SIGSPATIAL 2022 Conference