机构名称：
¥ 3.0
该项目旨在探索时间序列数据与可解释人工智能之间的关系。我们将研究可解释人工智能如何增强时间序列分类器和模型解释之间的交互，以改进模型和数据集。我们的方法涉及创建一个反馈循环，利用可解释人工智能技术不断改进数据集和分类器。我们试图解决以下问题：- 如何使用解释方法来增强分类方法的准确性、效率和稳健性？- 我们如何利用解释方法来改进或减少输入数据？- 优化数据和分类器的反馈循环的最佳设计是什么？- 哪种分类器模型和解释方法的组合可产生最佳性能？开发了多种方法来解决时间序列分类 (TSC)。这些方法在使用数据提取有用特征的方式上有所不同。我们可以访问许多 TSC 数据集（社区中使用的 UCR/UEA 流行基准），并且在该领域，哪些类型的分类器对不同领域最准确这一点已经很明确 [1]。对于时间序列数据的可预测人工智能，这个领域要年轻得多，而且正在积极开发中。可预测人工智能主要用于图像分类和自然语言处理，最近的一些研究重点是时间序列数据。到目前为止，重点是识别对数据分类做出重大贡献的特征或样本。最近的研究 [2,3] 侧重于评估 TSC 的多种解释方法，以确定给定数据集和分类器最有用的解释。然而，这项工作并没有使用方法或指标来创建更好的分类器和/或数据。基于本文和其他论文 [4,5]，我们注意到，在优化数据、分类器和解释之间的交互方面所做的工作很少。
研究项目博士奖学金 2024
主要关键词
相关文件推荐
