四海吧 Posts

在人工智能（AI）和机器学习（ML）这两个快速发展的领域中，寻找有效的、自动化的和适应性强的方法变得极其重要。AI和ML方法的不断提升已经改变了机器可以完成的事情以及人类如何与机器交互的可能性。 包括深度学习在内的AI领域完全依赖于数据，重要的数据存储在数据仓库中，通过主外键关系链接在多个表中分散存储。使用这样的数据开发ML模型存在许多困难，需要大量的时间和工作，因为现有的ML方法并不适合直接从跨越多个关系表的数据中学习。目前的方法要求将数据通过一种称为特征工程的过程转换成单个表。 为了克服这一挑战，斯坦福大学、Kumo AI、耶鲁大学、马克斯普朗克学院和伊利诺伊大学厄巴纳-香槟分校的研究团队最近提出了关系深度学习。这种端到端的深度表示学习技术可以处理分散在多个表中的数据。该方法已经被开发成一种将关系表作为异构图的基本方法。该图模型中的每个表行代表一个节点，而主外键关系定义了边。 使用消息传递神经网络（MPNNs），可以自动遍历并学习多个表，从而提取利用所有输入数据的表示，并且不需要任何手动特征工程。研究团队还提出了RELBENCH，这是一个包括基准数据集和关系深度学习实现的综合框架。这些数据集涵盖了各个领域，从亚马逊产品目录中的图书评论到像Stack Exchange这样的网站上的对话。 RELBENCH包含三个核心模块，具体如下： 数据模块：RELBENCH的数据模块提供了有效使用关系数据集的框架。其中包括三个重要特性：时间数据划分、任务规范和数据加载。 模型模块：该模块通过将未处理数据转换为图形表示来构建图神经网络（GNNs）的预测模型。使用强大的深度学习库PyTorch Geometric，RELBENCH对几种广泛使用的GNN架构进行了基准测试。该模块允许模型架构的灵活性，对于桥接预测模型和原始关系数据开发之间的差距至关重要。 评估模块：该模块创建了一个统一的评估模型性能的过程。它以系统化的方式评估预测文件，提供了模型的有效性的量化指标。该模块与各种受欢迎的深度学习工具配合使用，因为它被设计为与深度学习框架无关。这种适应性使研究人员和从业者可以使用他们选择的框架，而不会牺牲评估过程。

“`html 来自隆德大学和哈尔姆斯塔德大学的研究人员通过卫星图像和深度机器学习对可解释的AI在贫困估计中进行了回顾。通过透明度、可解释性和领域知识强调，对32篇论文的分析显示，这些关键要素在可解释的机器学习中表现出变异性，无法完全满足对贫困和福利的科学洞察和发现的需求。 这项研究通过分析32篇预测贫困/财富的论文，使用调查数据作为基准真实性，在城市和农村环境中应用它，并涉及深度神经网络，发现这些核心要素的状态存在变异性，不能满足对贫困和福利洞察的科学要求。该回顾凸显了解释性对于开发社区范围内的更广泛传播和接受的重要性。 引言介绍了在识别弱势社区和了解贫困决定因素方面的挑战，指出了信息缺口和家庭调查的局限性。强调深度机器学习和卫星图像在克服这些挑战方面的潜力，并强调在科学过程中的可解释性、透明性、可解释性和领域知识的需求，并评估了使用调查数据、卫星图像和深度神经网络预测贫困/财富中的可解释的机器学习的状态。目标是在开发社区范围内增强更广泛的传播和接受。 通过进行综合文献综述，该研究分析了满足特定标准的32项关于贫困预测、调查数据、卫星图像和深度神经网络的研究。文章讨论了解释深度学习成像模型的属性图的使用，并评估了其可解释性。本回顾旨在概述所审查论文中的可解释性，并评估它们在贫困预测的新知识中的潜在贡献。 对论文的回顾揭示了可解释的机器学习的核心要素（透明度、可解释性和领域知识）的不同状态，无法满足科学要求。可解释性和可解释性较弱，很少有研究人员解释模型或解释预测数据的努力。在特征模型的选择中普遍使用领域知识，但在其他方面使用较少。实验结果突出了一些洞察，如模拟财富指数的局限性和低分辨率卫星图像的影响。其中一篇论文以其强有力的假设和领域知识的积极评价脱颖而出。 在贫困、机器学习和卫星图像领域，可解释的机器学习方法中透明度、可解释性和领域知识的状态各不相同，并未达到科学要求。对于开发社区范围内更广泛传播的可解释性，超出了单纯的可解释性。论文中的透明度参差不齐，有些文件有很好的文档记录，而其他文件则缺乏可复现性。解释性和可解释性方面的不足仍然存在，很少有研究人员解释模型或解释预测数据。虽然在基于特征的模型中普遍使用领域知识进行选择，但在其他建模方面应用较少。在冲击要素中的排序和排名是一个重要的未来研究方向。 “`