福利值广泛用作模型不可知的解释框架，以解释复杂的预测机器学习模型。福利值具有理想的理论特性和声音数学基础。精确的福芙值估计依赖数据依赖于所有特征组合之间的依赖性的准确建模。在本文中，我们使用具有任意调节（VAEAC）的变形AutoEncoder来同时建模所有特征依赖性。我们通过全面的仿真研究证明了VAEAC对于连续和混合依赖特征的各种环境来说，VAEAC优于最先进的方法。最后，我们将VAEAC应用于从UCI机器学习存储库中的鲍鱼数据集。
translated by 谷歌翻译
在本文中，我们介绍了MCCE：Monte Carlo采样的现实反事实解释，一种基于模型的方法，通过使用条件推理树产生一组可行的例子来产生反事实解释。与必须求解复杂优化问题或基于其他模型的基于模型的方法不同的基于算法的反事实方法，这些方法使用重型机器学习模型模拟数据分布，MCCE仅由两个轻量级步骤（生成和后处理）组成。对于最终用户而言，MCCE也是直接的，用于理解和实现，处理任何类型的预测模型和类型的特征，考虑到产生反事实说明时，并根据需要产生尽可能多的反事实解释。在本文中，我们介绍了MCCE，并提供了可用于比较反事实解释的全面的性能指标列表。我们还将MCCE与一系列最先进的方法和基准数据集的新基线方法进行比较。 MCCE在考虑有效性（即，正确改变的预测）和可操作性约束时，MCCE优于所有基于模型的方法和基于算法的方法。最后，我们表明MCCE在仅在训练数据的小型子集时，几乎具有效果的实力。
translated by 谷歌翻译
具有潜在变量的深生成模型已被最近用于从多模式数据中学习关节表示和生成过程。但是，这两种学习机制可能相互冲突，表示形式无法嵌入有关数据模式的信息。本研究研究了所有模式和类标签可用于模型培训的现实情况，但是缺少下游任务所需的一些方式和标签。在这种情况下，我们表明，变异下限限制了联合表示和缺失模式之间的相互信息。为了抵消这些问题，我们引入了一种新型的条件多模式判别模型，该模型使用信息性的先验分布并优化了无可能的无可能目标函数，该目标函数可在联合表示和缺失模态之间最大化相互信息。广泛的实验表明了我们提出的模型的好处，这是经验结果表明，我们的模型实现了最新的结果，从而导致了代表性问题，例如下游分类，声音反演和注释产生。
translated by 谷歌翻译
本文介绍了我们在服务机器人中使用工业4.0资产管理壳（AASS）。我们将AASS与服务机器人的软件组件以及完整的服务机器人系统一起使用。软件组件的AAs用作标准化的数字数据表。它可以在设计时间帮助系统构建器查找和选择匹配要构建系统的系统级要求的软件组件。系统的AAS包括用于系统的数据表，并在运行时运行数据收集，并允许对服务机器人的技能级别命令。作为我们的模型驱动开发和服务机器人技术的组成工作流程的一部分，AAS是生成和填充的。AASS可以作为标准化集成和与服务机器人交互的关键推动器。
translated by 谷歌翻译
多实例学习（MIL）是一种弱监督的学习，其中，具有未知标签的多个数据实例被分类为袋子。由于关于各个实例的知识不完整，因此将标签分配给包含该实例的袋子。虽然该方法适合不同的应用程序被标记为数据稀缺，但是缺乏求解更复杂的场景的深度，其中必须进行一组实例之间的关联，例如在一组时间序列中找到图像或检测事件的相关区域信号。嵌套MIL认为袋中有标记的袋子，其中只有最外侧袋被标记，内部袋子和实例表示为潜在标签。此外，我们提出了使用注意机制来增加解释性，从而提高对每个实例的影响到弱袋标签。古典图像数据集中的实验表明，我们的提出模型提供了高精度的性能以及在图像区域上发现相关实例。
translated by 谷歌翻译