- 博客(9)
- 收藏
- 关注
RSS订阅原创 TransMIL_MIL文献阅读（1）
多实例学习（MIL）文献阅读记录—— "TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification"
2023-01-10 15:52:38
1073
原创 机器学习可解释性（三）——影响函数（Influence function）推导
影响函数是一个应用广泛的统计学习概念，可以用来衡量样本对模型参数的影响程度，也就是样本的重要性。可以被用于提供模型的解释，实现机器学习算法的可解释性。本文主要从影响函数的用途出发，介绍影响函数的计算方法和推导过程。
2022-09-06 15:29:33
8981
13
原创 机器学习可解释性(二) —— 类激活映射(CAM)
类激活映射（Class Activation Mapping,CAM）方法作为一类显著图算法的“开山之作”，其思想影响了后续诸多方法的产生。本文将在CAM的基础上，介绍的GradCAM, GradCAM++, LayerCAM的实现原理及相关实验。
2022-06-25 23:52:31
5947
6
原创 VAE变分自编码器
Variational Autoencoder(VAE)作为一类深度生成模型，是由 Kingma 等人于 2014 年提出的基于变分贝叶斯（Variational Bayes，VB）推断的生成式网络结构。与传统的自编码器通过数值的方式描述潜在空间不同，它以概率的方式描述对潜在空间的观察，在数据生成方面表现出了巨大的应用价值。是无监督学习领域的重要研究课题。
2022-01-16 16:19:19
725
原创 pytorch hook机制
简单介绍了pytorch的hook机制；对比了基于Tensor的hook以及基于Module的hook；代码实现了简单例子，说明了hook的使用方法。
2021-12-29 10:49:03
5171
3
原创 机器学习可解释性(一) —— 累积局部效应图(ALE)
一、序言深度学习的“黑盒”特性如今越来越让计算机工作者困扰，因此模型的可解释性问题在近些年越来越受到人们的关注。作为该领域的萌新，我开始一点点学习相关领域的内容，参考的书籍是：《Interpretable Machine Learning》。书中从最基本的可解释性算法讲起，再到基于深度神经网络的可解释性算法。随着对本书学习的深入，我也将更新关于书籍的更多内容的学习记录。二、算法介绍2.1 算法背景累积局部效应 (Accumulated Local Effects Plot) 描述了特征平均如何影响机
2021-08-28 19:22:36
12782
12
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人