检索结果-内蒙古大学图书馆

作者：林志萍华南理工大学

学位级别：硕士

随着机器学习不断取得突破性的进展,复杂的机器学习模型在许多领域大放异彩,具有巨大的商业价值,促进了各行业领域的更新换代。但在我们不断去追求模型精度的同时,模型也不断复杂化,如何安全地应用这些复杂的高精度模型成为现在的一大... 详细信息

随着机器学习不断取得突破性的进展,复杂的机器学习模型在许多领域大放异彩,具有巨大的商业价值,促进了各行业领域的更新换代。但在我们不断去追求模型精度的同时,模型也不断复杂化,如何安全地应用这些复杂的高精度模型成为现在的一大难题。此外,高性能的机器学习模型一直无法运用到一些像金融、法律、医疗健康等对可解释性要求较高的领域,为解决这些问题,本文将对可解释的机器学习进行研究,对复杂模型进行解释,挖掘模型的决策依据。可解释的机器学习主要包含两个细分方向,一是内在可解释的机器学习模型,二是事后解释方法,本文将基于这两个方向进行研究和分析。在内在可解释的机器学习方面,本文将对近年新提出的模型EBM(Explainable Boosting Machine)、GAMx NN(Explainable Neural Network based on Generalized Additive Model)、GAMINET的原理进行介绍并进行实验分析比较模型的精度以及对模型的可解释性进行详细剖析。此外本文基于循环神经网络对内在可解释的模型GAMINET进行改进并应用于股票趋势预测,使得改进后的模型能够很好地处理时间序列数据的同时保留模型的可解释性。在事后解释方法方面,本文对经典的事后解释方法部分依赖图PDP(Partial Dependence Plot)、LIME(Local Interpretable Model-Agnostic Explanations)、SHAP(Shapley Additive Explanations)等进行了详细分析,并利用这些事后解释方法对训练好的复杂模型XGBoost进行分析,推断XGBoost做决策和预测的依据。基于事后解释方法LIME,本文提出了一种改进算法,LIME中使用线性模型局部逼近复杂模型,而本文将采用性能更好的内在可解释模型EBM和GAMINET去逼近复杂模型,改进后的LIME方法进一步提升了解释黑盒模型的性能。并且经实验发现,基于EBM的改进LIME方法更适合解释基于决策树的复杂模型,而基于GAMINET的改进LIME方法则相对更适合解释复杂神经网络模型。最后本文对研究工作进行了总结并对可解释的机器学习领域未来的发展提出了展望。

关键词：可解释的机器学习可解释的推进机可解释的神经网络事后解释方法

来源：评论

学校读者我要写书评

暂无评论

技术可规避性视角下融合技术特征语义的专利侵权风险预测

引用

情报杂志 2025年第1期44卷 104-111页

作者：孙文君王奎芳席崇俊吕璐成赵亚娟中国科学院文献情报中心北京100190 中国科学院大学经济与管理学院图书情报与档案管理系北京100190

[研究目的]从技术可规避性视角下结合技术特征语义信息进行专利侵权风险评估,可以提高专利侵权风险预测的准确性和效率,帮助企业更好地保护创新成果、规避侵权风险。[研究方法]利用大语言模型自动化提取专利技术特征,从技术可规避性视... 详细信息

[研究目的]从技术可规避性视角下结合技术特征语义信息进行专利侵权风险评估,可以提高专利侵权风险预测的准确性和效率,帮助企业更好地保护创新成果、规避侵权风险。[研究方法]利用大语言模型自动化提取专利技术特征,从技术可规避性视角下构建专利侵权评估指标体系。将技术特征语义信息和评估指标进行特征融合,并通过集成学习和可解释的机器学习模型进行特征选择,构建了专利侵权风险预测模型。[研究结果/结论]基于1636件涉诉专利进行实证分析,结果表明模型在融合技术特征语义后的预测性能更佳,准确率提高了2.7%,且首项权利要求特征个数、审查周期、审查前后字数变化等技术可规避性视角下的指标在预测潜在诉讼专利中发挥了重要作用,丰富了当前诉讼专利预测研究的方法体系。

关键词：专利侵权专利诉讼技术可规避性技术特征语义评估指标大语言模型可解释的机器学习

来源：评论

学校读者我要写书评

暂无评论

机器学习在大学生自杀倾向识别和预测中的应用

机器学习在大学生自杀倾向识别和预测中的应用

引用

第二十五届全国心理学学术会议

作者：杨颖倩杨惠琴郭雯付浩杰西南科技大学心理教育与辅导中心同济大学上海市自主智能无人系统科学中心

自杀,是一个重要的公共卫生问题,也是大学生非正常死亡的主要原因。准确识别和预测大学生的自杀倾向,对于自杀干预和预防工作有十分重要的意义。机器学习是一种使用算法和统计模型寻找大数据中隐含模式的方法,能较好的处理高维数据与非... 详细信息

自杀,是一个重要的公共卫生问题,也是大学生非正常死亡的主要原因。准确识别和预测大学生的自杀倾向,对于自杀干预和预防工作有十分重要的意义。机器学习是一种使用算法和统计模型寻找大数据中隐含模式的方法,能较好的处理高维数据与非线性数据,越来越多的研究者将其应用于风险的识别与预测中。本研究采集了绵阳地区一万五千多名大学生的心理普查数据,纳入人口学变量、成长经历、人格特质、生活事件、抑郁、社会支持等15个特征。分层抽样选取70%的被试作为训练集,30%的被试作为测试集。采用SVM、LR、KNN、XGBoost、LightGBM、CatBoost六种算法,利用网格搜索寻找最佳参数,5折交叉检验平衡抽样误差,建立自杀倾向的识别和预测模型。因自杀为高风险因素,因此首先关注查全率(Recall)指标,其中XGBoost表现最佳,在测试集上准确率为0.951,查全率为0.761,F1分数为0.748,AUC为0.866。基于可解释的机器学习,利用SHAP进行模型事后解释的方法,最终找出了识别自杀倾向最重要的5个特征,依次为抑郁、成长经历、社会支持、人格特质和生活事件。综上所述,本研究表明极致梯度提升算法(XGBOOST)可用于自杀倾向的识别,有较好的查全率的结果,有助于简化并提高大学生自杀倾向识别和预测的有效性。可解释的机器学习,寻找风险因素,为进一步理解大学生自杀的发生因素提供了重要的方向,同时也为更有针对性地开展自杀预防和干预工作提供帮助。

关键词：自杀预测可解释的机器学习极致梯度提升算法风险因素

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：