Wyjaśnialne głębokie uczenie: podejście analityki wizualnej z macierzami przejścia
Mathematics, t. 12, nr 7, art. 1024
Streszczenie redakcyjne
Macierz przejścia odwzorowuje cechy głębokiej sieci w bardziej interpretowalny model, który można analizować wizualnie. W procesie wyjaśniania uczestniczy człowiek. Eksperymenty na MNIST, FNC-1 i Iris porównują otrzymane reprezentacje i wyniki klasyfikacji z danymi referencyjnymi.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Pavlo Radiuk, Oleksander Barmak, Eduard Manziuk, Iurii Krak. "Explainable Deep Learning: A Visual Analytics Approach with Transition Matrices". Mathematics, Vol. 12, No. 7, Article 1024, 2024. https://doi.org/10.3390/math12071024
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.