2020_Instance-Based Counterfactual Explanations for Time Series Classification

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 200+累计阅读 266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 266 阅读 AI 写同款· GEO 优化 ›

Counterfactual Attention Learning for Fine-Grained Visual Categorization and Re-identification 论文学习论文地址：https://arxiv.org/pdf/2108.08728.pdf Github地址：https://github.com/raoyongming/CAL Abstract 注意力机制在细粒度视觉分类任务上非常有效。本文介绍了一个反事实的注意力学习方法，基于因果推理来学习更加有效的注意力。现有的方法都基于传统的概率来学习注意力，本文作者提出利用反事实因果关系来学习注意力，为评价注意力的质量提供了一个强力的工具，提供的监督信号可有效地指导训练过程。作者通过反事实介入，分析学到的注意力对网络预测阅读详情

很重要的时序反事实生成方法

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

本周最新文献速递20210613

本周最新文献速递20210613 文献一文献题目： Leveraging supervised learning for functionally informed fine-mapping of cis-eQTLs identifies an additional 20,913 putative causal eQTLs 不想看英文题目：利用监督学习对顺式 eQTL 进行功能性精细定位，鉴定了额外的 20,913 个因果 eQTL 杂志和影响因子： Nat Commun (IF: 12.121;.

wendy_milk的博客 503

Counterfactual-Explanation-Based-on-Gradual-Construction-for-Deep-Networks:基于渐进式构造的深层网络Pytorch的反事实解释

基于渐进式构造的深度网络的反事实解释 :star: 在GitHub上为我们加注星标-有帮助！ PyTorch实现安装您将需要一台装有GPU和CUDA的计算机。然后，您准备运行时环境： pip install -r requirements.txt 如果收到错误消息ModuleNotFoundError: No module named 'urllib3'环境中ModuleNotFoundError: No module named 'urllib3' ，请尝试安装如下代码： conda install spacy==2.3.2 采用 MNIST数据集运行collowing命令以获取有关MNIST数据的反事实说明。 python main.py --dataset=mnist --model_path=./models/saved/mnist_cnn.pt --data_path=

Counterfactual Explanations for Machine Learning: A Review

Counterfactual Explanations for Machine Learning: A Review 机器学习的社会意义建立公平性和使自动化工具的决策具有可解释性是我们可以确保机器学习对社会产生公平影响的两种主要方法。公平性研究旨在开发算法，以确保系统产生的决策不会偏向特定的人口统计学群体，这些群体是根据敏感特征（例如种族，性别，宗教信仰）定义的。反歧视法律规定，使用敏感功能作为任何决定的基础是非法的。有偏见的决策也可能引起广泛的批评，因此对于避免此类行为很重要。关联关联可以理解成找相

芝士不禁脑汁 901

关于并网继电器的继电器自检逻辑及实现方式

对于常规的光伏并网逆变器来说，继电器控制至关重要。继电器一般位于逆变电感后，共模电感前，用于将逆变电压与电网电压脱开，一般国外有双继电器的安规强制认证要求，国内目前只需要单继电器要求（后续应该会有双继电器要求，个人感觉）

weixin_29982209的博客 2618

在安装之后使用labelme出现qtpy.PythonQtError:No Qt bindings could be found错误

我在base环境（python3.7)可成功安装和使用labelme，而在同py37版本和py36的虚拟环境中可安装labelme包，但在使用的时候出现报错，如下：我尝试着去解决第一个错误提示，错误提示为：moduleNotFoundError:No module named ‘PySide’，结果掉入了一个无止无尽的坑，看到网上有朋友说这个只能在py27-py35才能安装，还有说需要VC+ 140等，他们说的这个解决方案只针对于这个缺包的描述，而我们仅仅只需要一个labelme，因此我直接对后面的错误

qq_33538651的博客 9818

【ACL2021】主会571篇长文分类最全汇总

点击下面卡片，关注我呀，每天给你送来AI技术干货！作者｜唐天一机构｜中国人民大学高瓴人工智能学院导师｜赵鑫教授方向 | 自然语言处理来自 |RUC AI Box导读ACL-IJCNLP ...

zenRRan的博客 4519

PuTTY使用方法

PuTTY是一款开源SSH/Telnet客户端，主要用于Windows系统连接Linux服务器。使用步骤包括：下载安装PuTTY，输入服务器IP和端口（默认22），可选择保存会话配置。支持密码和SSH密钥认证（需转换.pem为.ppk格式）。首次连接需确认主机密钥，成功登录后可执行Linux命令。其他功能包括会话日志记录、X11转发和端口隧道配置。操作完成后输入exit断开连接。

特网云计算 3170

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

从FrSky到TBS：深度解析航模2.4G遥控协议江湖史（附ELRS高频头改装指南）

本文深度解析了航模2.4G遥控协议的技术演进史，从FrSky ACCST的兴衰到TBS Crossfire的崛起，再到开源协议ExpressLRS的革命性突破。文章不仅对比了各协议在延迟、距离与抗干扰能力上的技术内核，还提供了为多协议遥控器加装TBS Crossfire高频头的实战改装指南，帮助玩家打通协议壁垒，提升飞行体验。

weixin_29193259的博客 737

Linux ARM平台开发系列讲解（LED） 2.1.1 如何点亮一个LED之添加设备树信息

1. 设备树添加设备信息我拿到的开发板上有两颗LED供用户编程使用，分别是GPIO5_IO8和GPIO5_IO9，设备信息如下，不同板子的设备定义不同，根据自己的实际情况进行添加。 2. 编译设备树根据自己拿到的SDK，执行编译命令，我这里拿到的SDK编译脚本为: ./build.sh kernel 3. 使用uuu工具烧录新编译好的内核因为imx8 SDK设备树和内核是统一编译成一个镜像，所以只需要烧录内核，设备树文件也会烧录。 sudo uuu -b emmc imx-kernel.bin

DSMGUOGUO的博客 920

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

TriCore架构-基于TC397的启动流程

TC397芯片的启动流程分为三个关键阶段：固件启动(BootFirmware)、Bootloader引导和应用程序启动。BootFirmware作为硬件信任根，包含SSW基础初始化、CHSW自检和BSL应急刷写通道。Bootloader承担安全验证和程序引导功能，支持双分区(AB-SWAP)和双引导方案(PBL/SBL)。安全启动通过校验机制确保软件完整性，提供三种可选技术方案。应用程序启动阶段实现软件双分区管理，支持SOTA更新。整个流程体现了汽车电子系统的安全设计理念，通过硬件级保护与软件验证相结合确保

xiandang8023的博客 987

【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

Nvidia Orin Driveos Camera 介绍及调试详解

自动驾驶-nvidia orin driveos Camera 驱动详解及调试

u011803281的博客 2992

微软商店报错“此产品当前不可用”？终极修复指南

安德洛夫 3815

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

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0，兼容Win7/Win10/WinXP，解压就可用。

STM32F407中文手册

STM32f407中文手册本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

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

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

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

下一篇：力扣题目分类及刷题顺序

AI对战五子棋——深度学习策略网络

X2829352498的博客

11-09