-
公开(公告)号：CN114897140B
公开(公告)日：2024-08-02
申请号：CN202210499086.1
申请日：2022-05-09
Applicant: 哈尔滨工业大学
IPC: G06N3/045 , G06N20/20 , G06Q50/06 , G06N3/0475 , G06N3/094
Abstract: 一种基于电网潮流数据因果干预的反事实生成方法，涉及机器学习技术领域，针对现有反事实生成方法中每个新的实例都需要重新解决一个特定的优化问题，进而导致反事实生成效率低的技术问题，本申请通过对反事实因果干预的分析，为生成过程提供因果角度的理论保证；并适当地将模型偏差与属性之间的因果关系结合起来，以确保反事实解释的可行性；使用生成对抗网络与因果干预相结合，克服了原有方法针对一项实例就需要解决一个特定优化问题导致生成效率低下的难点，提高了反事实生成的效率。
-
公开(公告)号：CN114897140A
公开(公告)日：2022-08-12
申请号：CN202210499086.1
申请日：2022-05-09
Applicant: 哈尔滨工业大学
Abstract: 一种基于因果干预的反事实生成方法，涉及机器学习技术领域，针对现有反事实生成方法中每个新的实例都需要重新解决一个特定的优化问题，进而导致反事实生成效率低的技术问题，本申请通过对反事实因果干预的分析，为生成过程提供因果角度的理论保证；并适当地将模型偏差与属性之间的因果关系结合起来，以确保反事实解释的可行性；使用生成对抗网络与因果干预相结合，克服了原有方法针对一项实例就需要解决一个特定优化问题导致生成效率低下的难点，提高了反事实生成的效率。
-
公开(公告)号：CN114897181A
公开(公告)日：2022-08-12
申请号：CN202210499772.9
申请日：2022-05-09
Applicant: 哈尔滨工业大学
Abstract: 一种基于因果关系的元学习解释方法，涉及机器学习技术领域，本申请将元学习可解释性归纳为元学习过程的可解释性以及元学习结果在具体问题中的可解释性两方面，并且分别从两方面实现了元学习的可解释性。元学习过程的可解释技术构建的推荐网络能够根据问题的元描述自动推荐一个合适的决策方法，并且结合积分梯度实现推荐网络的可解释，能够显式地为用户提供问题描述与决策方法选择上的直接关系。元学习结果在具体问题中的可解释技术结合因果关系分别从准确度量特征重要性和生成合理有效的反事实两方面实现可解释性，能够帮助使用者更好地理解元学习推荐结果在具体问题中的预测结果，从而在未来决策中作出更合理的判断。
-
公开(公告)号：CN114897181B
公开(公告)日：2024-08-02
申请号：CN202210499772.9
申请日：2022-05-09
Applicant: 哈尔滨工业大学
IPC: G06N20/00 , G06N3/0985 , G06N3/084 , G06N3/047
Abstract: 一种基于电网潮流数据因果关系的元学习解释方法，涉及机器学习技术领域，本申请将元学习可解释性归纳为元学习过程的可解释性以及元学习结果在具体问题中的可解释性两方面，并且分别从两方面实现了元学习的可解释性。元学习过程的可解释技术构建的推荐网络能够根据问题的元描述自动推荐一个合适的决策方法，并且结合积分梯度实现推荐网络的可解释，能够显式地为用户提供问题描述与决策方法选择上的直接关系。元学习结果在具体问题中的可解释技术结合因果关系分别从准确度量特征重要性和生成合理有效的反事实两方面实现可解释性，能够帮助使用者更好地理解元学习推荐结果在具体问题中的预测结果，从而在未来决策中作出更合理的判断。
-
-
-
Search Results
4
records
(took 0.018 seconds)
