2021_On Generating Plausible Counterfactual and Semi-Factual Explanations for Deep Learning

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 352平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄7年

关注

原创最新推荐文章于 2026-11-13 21:44:44 发布 352 阅读 AI 写同款· GEO 优化 ›

3D缺陷检测---小论文 3D缺陷检测阅读详情

大家做法好像都差不多

在这里插入图片描述

收录于

因果可解释性

当前文章被收录于：

因果可解释性

3 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#深度学习 #神经网络

深度学习之LoRA(低秩适配)原理与实战【代码】深度学习之LoRA(低秩适配)原理与实战。阅读详情

相关推荐

AI对战五子棋——深度学习策略网络

在本篇博文中，我们完成了：✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。

X2829352498的博客 41

【AAAI 2021】全部接受论文列表（二）

来源：AINLPer微信公众号（点击了解一下吧）编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.

yinizhilianlove的博客 7169

生成可信的反事实和半事实解释补充代码：2021年我们AAAI论文的补充代码

关于深入学习补充代码的可行的反事实和半事实解释此回购用于AAAI-2021上的论文“关于为深度学习生成Plausilbe反事实和半事实解释”。论文链接在这里 ?????? 不幸的是，当我进行实验（大约一年前）时，我原来的环境已经消失了。我试图重新创建它，但是似乎在过去的一年中，由于超出了我的控制范围，因此无法在具有单个环境的单个脚本中准确地重新创建结果。但是，我在这里包含了所有代码，以便于轻松再现某些结果。请运行以下命令以具有兼容的环境。 python3 -m venv myenv源myenv / bin / activate pip install ipykernel python -m ipykernel install --user --name = myenv 这将设置一个可与jupyter笔记本一起运行的环境，并将该环境导入到笔记本的可用内核中。要求pip

机器视觉表面缺陷检测综述

转自：http://www.cjig.cn/html/jig/2017/12/20171202.htm#b22 机器视觉表面缺陷检测综述《中国图像图形学报》 Tang B, Kong J Y, Wu S Q . Review of surface defect detection based on machine vision[J]. Journal of Image an

u013912006的博客 12万+

将Apollo高精地图中的车道线叠加在多种导航地图上

本文介绍了将Apollo高精地图车道线叠加到普通导航地图的技术方案。高精地图具备厘米级车道精度和丰富的语义信息，叠加可实现可视化验证、调试分析和数据对比等功能。核心技术包括坐标系统转换（UTM/WGS84/BD09/GCJ02）和数据处理流程，通过Python脚本完成Apollo地图解析、坐标批量转换和多格式输出。文章详细提供了环境准备、工作目录创建和坐标转换脚本等操作步骤，实现了高精地图数据在OpenStreetMap、百度地图和高德地图上的可视化展示。

Hi20240217的博客 1336

Proteus仿真实战：用AT89C51+L298N搭建直流电机PID调速系统（附完整工程文件）

本文详细介绍了使用Proteus仿真平台结合AT89C51单片机和L298N驱动模块搭建直流电机PID闭环调速系统的全过程。从硬件选型、电路连接到PID算法实现与参数整定，提供了完整的开发指南和工程文件，帮助读者快速掌握闭环调速系统的设计与调试技巧。

weixin_28724661的博客 449

mtcnn人脸检测_「人脸检测系列」mtcnn 算法中的偏移量分析

最近小编在后台收到一名同学的留言，她问“在前向推理过程中，mtcnn中的偏移量是如何用到的，我想对于初学者而言，也仅能跑跑代码，看一下效果，但对于一些原理性的东西，理解的不是很透彻，今天，小编就带大家来看一下，mtcnn中的偏移量是如何使用的。首先看一下mtcnn中的偏移量。还要从训练数据的准备开始，这里我截取了github上start比较多的项目来看的(项目地址：https://github.c...

weixin_39912984的博客 404

【拯救C盘】一文搞懂Windows修改Anaconda默认的虚拟环境存放路径及其原理

Anaconda创建的虚拟环境可能会默认保存在C盘，但C盘的存储空间很宝贵，由于每个虚拟环境的大小可能达到n个GB，稍不注意就会遇到C盘红色警告。因此有必要做点什么来拯救被虚拟环境占用的大部分空间！！！

Roach007的博客 3万+

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统，支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比，测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益，但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 136

数据助力行业发展：BJTU-RAO转向架数据集介绍

BJTU-RAO转向架数据集是完全公开的，何研究人员皆可以通过后文的下载链接免费下载数据，且在标注数据来源的前提下，研究人员可以自由使用BJTU-RAO转向架数据集。因此，聚焦各类列车转向架传动系统在途安全保障新技术研究和新算法开发，实现牵引电机、驱动齿轮箱和轴箱等关键部件的实时状态监测与智能故障诊断，对保障列车安全可靠运行具有重要的现实意义。BJTU-RAO转向架数据集包含51种健康状态的样本，涵盖正常状态、部件级单一故障、部件级复合故障以及系统级关联复合故障，数据量达116GB。

2401_88870554的博客 3502

用Logisim搞定华科计组实验：单总线CPU设计从微程序到硬布线的保姆级通关攻略

本文详细介绍了如何使用Logisim完成华中科技大学计算机组成原理实验中的单总线CPU设计，涵盖从微程序控制器到硬布线控制器的完整实现过程。通过MIPS指令译码器设计、微程序控制原理、状态机实现等关键步骤的保姆级教程，帮助学生掌握CPU设计的核心技能，并提供Educoder平台提交与调试的实用技巧。

weixin_30897233的博客 478

Transformer 为什么能取代 RNN？从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer，核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 799

ROS Noetic + Realsense ROS 2.3.2 在鲁班猫4上的完整工作空间搭建与相机启动调试

本文详细介绍了在鲁班猫4（RK3588S）开发板上搭建ROS Noetic与Realsense ROS 2.3.2开发环境的完整流程，包括Realsense SDK安装、工作空间配置、D435i深度相机驱动调试等关键步骤，为机器人视觉系统开发提供实用指南。

weixin_33217202的博客 238

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统（RT-DETR-L 模型）

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统，采用Django+Vue前后端架构，实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测，具备参数可调、数据可视化与统计分析功能，有效解决小目标漏检、误检及管理难问题，助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 228

Python 爬虫实战：科研数据库学术论文数据抓取

在科研工作中，学术论文是获取前沿知识和研究方法的重要资源。然而，手动从科研数据库中查找和整理论文信息往往耗时费力。幸运的是，Python 爬虫技术可以自动化这一过程，帮助我们高效地抓取和管理学术论文数据。本文将详细介绍如何使用 Python 爬虫技术抓取科研数据库中的学术论文数据，并进行全字段提取和文献管理，助力科研工作。

u014481728的博客 946

【银河麒麟V10】【桌面】【服务器】系统启动问题

1、如果之前运行好好的，重启后系统报错，一般80%是因为fstab的问题，回想下之前有没有添加过外接存储，修改过/etc/fstab，如果是的话一般是因为存储异常（比如网络存储无法连接，本地存储路径变化）导致系统开机自检失败，导致无法正常启动；处理方式：进入单用户（单用户进入的几种方式上面有专门文章介绍），修改/etc/fstab，将新增的内容暂时注释掉，然后重启系统，能正常进入系统后再分析失败原因。 ...

桂安俊@KylinOS 3万+

图解循环神经网络（RNN）

RNN（循环神经网络）就是“带记忆的网络”：让网络拥有一块“记忆”，在处理当前数据时，能同时参考之前看过的内容；它不一次性看完全部输入，而是像人读书一样，一个字一个字地读，每读一个字就更新一次脑子里的记忆，然后用这份记忆去理解当前这个字。但便签一直在被改写，新信息不断挤占旧信息，传到第 40 步时，“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候，网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里（那个 1.5）。这三个困难的共同点：答案不在当前这一个字里，而在“前面那串东西”里。

技术管理两手抓，两手都要硬. 396

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

神经网络入门指南：从 CNN、RNN 到 Attention

神经网络的学习，本质是“预测—比较—纠错”的循环；CNN 通过局部连接与权重共享理解图像；RNN 通过隐藏状态传递上下文；LSTM 和 GRU 用门控机制管理记忆；Encoder–Decoder 把理解与生成拆成两个阶段；Attention 则让模型在每一步都能主动寻找最相关的信息。到这里，我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer，看看它如何摆脱 RNN 的顺序计算，又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 373

锂电池充电器电路设计里面有电路

锂电池充电器电路设计里面有电路 3.7V升压到5V电路设计。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

CNN 卷积神经网络深度解析：卷积、池化与特征提取的底层原理

卷积核（Kernel），也叫滤波器（Filter），本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征：水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中，滤波器通常由人工设计。而在 CNN 中，卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 258

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似，从而直接估计出“谷底在哪”，而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”，LBFGS 还会看“最近几步坡度怎么变”，像用局部地形图来规划路线。训练 Transformer 时，有些层梯度大，有些层梯度小。如果用 Adam + L2，梯度大的参数反而可能被“少衰减”，正则效果不稳定；：你要下山，但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍，算出“绝对最陡”的方向才走一步。：还是下山，但这次你只问身边一个路人“哪边最陡”，然后就走。

技术管理两手抓，两手都要硬. 215

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测无人机航拍道路坑洞路面病害 YOLO格式数据集发布9032期

（一）类别构成该数据集聚焦单一类别——坑洞（类别 ID 为 0），任务指向明确，围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简，与公路路面病害巡检的实际需求高度契合，图像中的坑洞样本可直接作为路面破损识别的核心正样本，便于对接道路养护排查流程。（二）数据数量数据集规模为 3285 张无人机俯视航拍图像，采用标准 YOLO txt 标注格式，标注框总计 4457 个，其中带有效标注的图片 2007 张，全部图片均带有有效标注。

qq_2529413168的博客 177

基于深度学习的猫图像目标检测方法研究：YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框，按固定比例划分并冻结清单；训练前在多个候选族中短训海选，确定YOLOv8s为主模型，经学习率搜索与显存标定后完成150轮训练，验证集mAP50达到0.92，并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统，提供图片、视频、摄像头三种识别方式，配套识别记录管理与统计大屏，形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 203

第 05/24 期：计算图与自动微分：深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质：损失对参数的敏感性。通过构建计算图，将复杂函数分解为基本运算，利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础，通过传播输出对中间变量的敏感性，高效求得所有参数梯度。相比前向模式，反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络，也广泛适用于任意可微程序。关键思想是：梯度是局部导数与上游敏感性的乘积，分支路径的贡献需累加，从而保证导数计算的正确性与效率。

weixin_47502228的博客 251

【深度学习项目实战·30】PM2.5短期预测：用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据，使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题，确保模型仅依赖过去信息，避免未来泄漏。通过滚动单步预测与持续性基线对比，评估在原始单位下的MAE/RMSE，验证模型有效性。强调时间顺序与数据完整性，为时序预测提供可复现的实践框架。

银尘博客 483

无人机巡检道路路面异常检测数据集 深度学习 目标检测无人机巡检道路病害路面异常 YOLO格式数据集发布9028期

qq_2529413168的博客 201

AI 学习第 14 课：CNN 训 6 轮卡在 0.5352，数据没打乱

第 13 课把 Conv2d 的参数量和池化后的尺寸算清了，这课把卷积块拼成一个能训练的完整网络，跑满 6 个 epoch。第一版直接卡死：loss 从 2.6104 掉到 0.6989 就再也不动，

aifannihao的博客 228

上一篇： 2018_Interpretable Credit Application Predictions With Counterfactual Explanations

下一篇： 2020_Instance-Based Counterfactual Explanations for Time Series Classification

AI对战五子棋——深度学习策略网络

X2829352498的博客

11-09