跳到正文

算法、任务与模态

Explainable AI 最新动态

Explainable AI 研究索引；按可核对的标签归档，不以热度评价质量。

103 条精选近 30 天 41 条共收录 144 条

更新

精选归档 · 第 6 页

1月1日周六第 101–103 条
  1. OpenReview · Representation learning74

    基于可解释对比网络表征学习的网络比较

    基于摘要分析。该研究关注如何通过比较两个网络，识别其中一个网络特有的结构或交互模式，而非直接研究 EEG 或 BCI。作者提出 contrastive network representation learning（cNRL），结合网络表征学习与对比分析，将网络节点嵌入能够凸显网络间差异的低维空间，并提出可解释方法 i-cNRL，以帮助理解差异对应的具体模式。 摘要中的 contrastive learning 旨在发现一个数据集相对于另一个数据集的显著模式，不宜直接等同于以正负样本训练的常见对比学习目标。作者认为，既有面向高维数据的对比分析方法不能直接用于网络，因此引入网络表征学习作为衔接机制。摘要未说明具体节点特征、嵌入算法、优化目标或解释机制，这些技术细节尚未验证。 作者报告，在多个网络模型和真实数据集上展示了 i-cNRL 的网络比较效果，并通过定量和定性评估比较了 i-cNRL 与其他候选 cNRL 算法设计。摘要未给出数据集名称、指标数值或具体对照设置；实验协议、消融及统计信息尚未验证。文中的正常与癌组织蛋白质交互网络是研究动机示例，不能据此认定其为实际评估数据。 平台推测（待验证）：若 EEG 被构造成具有可比较节点定义和连接估计方式的功能网络，该机制可能用于分析不同任务或状态的网络差异。可复用的是“网络表征—差异提取—模式解释”的流程，需改造并核对的是 EEG 建图、节点对应及噪声控制。低信噪比、通道差异、被试差异和小样本可能使所得差异反映估计误差而非任务相关结构。一个可证伪的小实验是在同一被试、相同通道和建图规则下比较两种状态，以标签置换检验差异模式，并检查其在独立数据片段中的稳定性；这仅是迁移假设，不是论文已验证的 EEG 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 cNRL 如何将网络节点表征与网络间差异分析结合，以及 i-cNRL 如何解释差异模式；其 EEG 网络比较价值尚未验证。

1月1日周五
  1. OpenReview · EEG72

    用于 EEG 信号伪迹去除的嵌入分解

    基于摘要分析。该研究针对 EEG 记录中的伪迹污染，提出深度学习框架 DeepSeparator，在嵌入空间分离神经信号与伪迹，再重建去噪信号。其主要贡献是将特征编码、伪迹分解与信号重建串联，并支持提取伪迹成分，以辅助理解模型的去噪行为。 机制上，encoder 从原始 EEG 中提取并增强特征；decomposer 提取趋势、检测并抑制伪迹；decoder 重建去噪信号。作者认为，相较于依赖先验经验的传统分析方法，这种框架提供了学习式的伪迹处理路径。摘要未给出嵌入分解的数学定义、监督信号、损失函数或训练细节，尚不能确认其如何约束神经成分与伪迹成分的分离，也不能仅凭可输出伪迹就认定分解具有生理真实性。 作者报告，在半合成 EEG 数据集与真实任务相关 EEG 数据集上，DeepSeparator 对 EOG 和 EMG 伪迹的去除优于传统模型。摘要未提供数据集名称、被试数量、数据划分、对照方法及具体指标，因此该结论应限定于作者所述评估，不能外推为跨被试或跨会话优势。实验协议、消融及统计信息尚未验证。 作者表示，该方法可扩展至多通道 EEG 和任意长度数据，并提供了代码入口；具体实现方式与这些扩展的验证范围尚未确认。复现时应核对半合成数据的构造与污染强度、真实任务数据的评估依据，以及去噪过程是否保留任务相关神经成分。该研究直接面向 EEG 去噪，但摘要未报告下游 BCI 解码效果，不能将伪迹去除优势等同于 BCI 性能提升。

    阅读价值：值得关注 DeepSeparator 在嵌入空间分离神经信号与伪迹、同时输出去噪信号和伪迹的机制；摘要提供了代码入口，但其信号保真度及跨被试适用性仍需核对全文与实验。

1月1日周二
  1. OpenReview · State space models74

    用于高速公路行程时间预测的状态空间神经网络

    基于摘要分析。本文研究高速公路行程时间预测中可观测交通量之间复杂的非线性时空关系，基于该问题的状态空间表述推导递归状态空间神经网络（SSNN）。其主要贡献是以内部状态建模交通动态，并通过分析状态与权重配置构建 Reduced SSNN，在缩减参数的同时保持预测性能。 机制与结果：SSNN 面向实际经历的行程时间预测，而非 EEG 或 BCI 任务。作者报告，模型明显优于当时的实践方法，预测残差近似服从零均值正态分布，通常处于真实预期行程时间的 10% 范围内；摘要未明确对应基线、数据划分及误差计算细节，不能将这一表述改写为 Accuracy 或固定误差上限。作者还报告，内部状态与权重分析显示模型形成了与底层交通过程密切相关的内部表征，据此剔除不显著参数；Reduced SSNN 保留 63 个可调权重，模型规模减少 72%，且预测性能未下降。上述结果均限于摘要所述交通预测评估，实验协议、消融及统计信息尚未验证。 复现需核对：交通数据来源、输入变量、采样间隔、预测时域、训练与测试划分、状态更新形式、训练目标，以及参数筛减准则。摘要不足以确认该 SSNN 与现代同名状态空间模型的具体结构关系。 平台推测（待验证）：迁移假设是，递归状态表征和基于内部分析的参数缩减可能用于 EEG 时序预测中的动态建模与小模型设计。可借鉴状态更新与缩减思路，但须改造交通输入、预测目标及状态解释方式；原方法依赖哪些时空观测、监督信号和训练规模仍需全文核对。EEG 的低信噪比、跨被试差异、通道变化和小数据可能使状态解释及参数重要性不稳定。一个可检验的小实验是在固定被试内划分下比较完整模型与缩减模型的 EEG 短时预测误差及参数量，检验压缩能否保持泛化性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以状态空间建模组织非线性时空预测，并依据内部状态与权重分析缩减模型的思路；其交通预测效果由作者报告，对 EEG 的适用性尚未验证。