快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

基于模糊测度的知识关联性建模方法

在教学应用场景中,知识之间的关联性广受关注,但现有研究通常偏重两两知识点之间关系的建模,忽视知识集合中复杂的关联关系,导致研究结果出现偏差.因此,文中引入模糊测度对知识集合进行量化度量,并在此基础上提出基于模糊测度的知识关联性建模方法.首先,基于认知心理学理论,分析知识间存在的三种不同关系,并利用模糊测度建模知识间的关联性,通过实际教学场景论证方法的实用性.然后,在模糊测度建模的基础上,从知识关联性的视角讨论知识的重要度和交互指标.最后,研究知识关联性在认知诊断中的应用.真实数据集上的实验证实知识关联性对认知诊断的影响,不仅有效提升预测精度,也提供更好的可解释性.     

基于用户兴趣度的数据归约效果评估方法

面对特定数据归约方案,不同的用户对归约效果具有不同的评价,针对目前数据归约效果评估方法缺乏针对性、忽视用户个性化需求的问题,基于现有的指标体系,提出基于用户兴趣度的数据归约效果评估方法。通过定义用户兴趣度的权重子空间,根据用户对数据集归约方案评价的历史数据计算用户对指标的偏好,利用蒙特卡洛仿真近似计算出用户对数据归约效果的可接受程度作为评估归约效果的参数,实现面向不同用户的数据归约效果评估方法,为面向不同关注点的系统用户推荐不同数据归约方案提供定量依据。     

融合知识交互关系的认知诊断深度模型

认知诊断是基于学习数据挖掘学习者潜在认知状态的一种智能评测技术.当前大多数认知诊断模型将学习任务中的知识视为同等重要,未考虑知识间的交互关系,从而影响诊断的准确性,同时也缺乏可解释性.针对上述问题,文中提出融合知识交互关系的认知诊断深度模型,实现学习者认知状态与知识权重的统一表达.同时,实现基于Choquet积分的理想作答反应计算算法.最后提出模糊测度的深度神经网络,预测学习者的作答表现.大量实验表明,文中模型不仅取得较好的预测结果,还能为预测结果提供知识交互层面的解释,具有一定的优越性.     

基于GAN先验的图像补全方法

设计和利用良好的图像先验知识是解决图像补全问题的重要方式. 生成对抗网络(GAN)作为一种优秀的生成式模型, 其生成器可以从大型图像数据集中学习到丰富的图像语义信息, 将预训练GAN模型作为图像先验是一种好的选择. 为了利用预训练GAN模型更好地解决图像补全问题, 本文在使用多个隐变量的基础上, 在预训练生成器中间层同时对通道和特征图添加自适应权重, 并在训练过程中微调生成器参数. 最后通过图像重建和图像补全实验, 定性和定量分析相结合, 证实了本文提出的方法可以有效地挖掘预训练模型的先验知识, 进而高质量地完成图像补全任务.     

多场域导向的大学计算机基础课程实践教学范式研究

针对大学计算机基础课程实践教学中计算思维的培养问题,从场域的角度出发,分析了教学范式与场域的变化映射关系,提出"自适应"理念下多场域导向的大学计算机基础课程实践教学范式,通过教育科学和数据科学研究方法的交叉融合,推进实践教学的发展。     

整合卷积神经网络和神经过程的图像数据补全方法

神经过程(NP)能够结合神经网络和高斯过程的优势,通过少量上下文数据估计不确定性分布函数,实现函数回归功能.现已应用于数据补全、分类等多种机器学习任务.但面对二维数据回归问题(如图像数据补全),神经过程预测准确度有限且对上下文数据的拟合存在欠缺.为此,将卷积神经网络(CNN)整合到神经过程中,基于证据下界和损失函数推导,构造了面向图像的神经过程(IFNP)模型.在IFNP基础上,设计了适用于IFNP的局部池化聚合模块和全局交叉注意力模块,并构造出性能明显优于NP和IFNP的的面向图像的注意力神经过程(IFANP)模型.最后,相关模型应用于MNIST及CelebA数据集,通过定性与定量分析相结合,展现出IFNP的可扩展性,证实了IFANP更佳的数据补全及细节拟合能力.