可解释的机器学习
中文标题：面向生物多样性的ML方法：一个新的野生蜜蜂数据集和用于ML辅助稀有物种注释的XAI方法的评估
英文标题：Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations
时间：2022.6.15
作者：Teodor Chiaburu, Felix Biessmann, Frank Hausser
机构：柏林工程应用技术大学（Berlin University of Applied Sciences）
链接：https://arxiv.org/pdf/2206.07497.pdf
简介：昆虫是我们生态系统的重要组成部分。可悲的是，在过去几十年里，他们的数量令人担忧地减少了。为了更好地了解这一过程并监测昆虫种群，深入学习可能会提供可行的解决方案。然而，鉴于昆虫分类学的广度和细粒度分析的典型障碍，例如组内变异性高而组间变异性低，昆虫分类仍然是一项具有挑战性的任务。基准数据集很少，这阻碍了更好AI模型的快速开发。然而，稀有物种训练数据的注释需要专家知识。可解释人工智能（XAI）可以帮助生物学家完成这些注释任务，但选择最佳的XAI方法很困难。我们对这些研究挑战的贡献有三个方面：1）从iNaturalist数据库中采集的野生蜜蜂的完整注释图像数据集，2）在野生蜜蜂数据集上训练的ResNet模型，其分类得分与在其他细粒度数据集上训练的类似最先进模型相当；3）研究XAI方法，以支持生物学家进行注释任务。
异步脉冲神经网络
中文标题：具有连接拉普拉斯算子的层神经网络
英文标题：Sheaf Neural Networks with Connection Laplacians
时间：2022.6.17
作者：Federico Barbero, Cristian Bodnar, Haitz Sáez de Ocáriz Borde, Michael Bronstein, Petar Veli?kovi?, Pietro Liò
机构：剑桥大学（University of Cambridge）、牛津大学（University of Oxford ）、DeepMind
链接：https://arxiv.org/pdf/2206.08702.pdf
简介：Sheaf神经网络（SNN）是一种对Sheaf进行操作的图形神经网络（GNN），Sheaf是一个对象，在其节点和边上为图形配备向量空间以及这些空间之间的线性映射。SNN已被证明具有有用的理论特性，有助于解决由异性恋和过度平滑引起的问题。这些模型固有的一个复杂性是为要解决的任务找到一个好的层。之前的工作提出了两种截然相反的方法：基于领域知识手动构建层和使用基于梯度的方法端到端地学习层。然而，领域知识通常不足，而学习一捆可能会导致过度拟合和显著的计算开销。在这项工作中，我们从黎曼几何中得到启发，提出了一种计算滑轮的新方法：我们利用流形假设来计算流形和图形感知正交映射，从而优化对齐相邻数据点的切线空间。我们表明，与以前的SNN模型相比，这种方法以较少的计算开销获得了有希望的结果。总的来说，这项工作在代数拓扑学和微分几何之间提供了一种有趣的联系，我们希望它将激发这一方向的未来研究。
类脑计算
中文标题：稀疏高维线性回归模型选择的鲁棒信息准则
英文标题：Robust Information Criterion for Model Selection in Sparse High-Dimensional Linear Regression Models
时间：2022.6.17
作者：Prakash B. Gohain, Magnus Jansson
机构：IEEE
链接：https://arxiv.org/pdf/2206.08731.pdf
简介：在处理高维数据时，线性回归模型中的模型选择是一个主要挑战，其中可用测量值的数量（样本大小）远小于参数空间的维度。传统的模型选择方法，如Akaike信息准则、贝叶斯信息准则（BIC）和最小描述长度，在高维环境下极易过度拟合。在这方面，扩展BIC（EBIC）是原始BIC的扩展版本，扩展Fisher信息准则（EFIC）是EBIC和Fisher信息准则的组合，是真实模型的一致估计量，因为测量数量增长非常大。然而，在高信噪比（SNR）情况下，EBIC并不一致，在这种情况下，样本大小是固定的，EFIC对导致不稳定行为的数据缩放不是不变的。在本文中，我们提出了一种新形式的EBIC准则，称为EBIC鲁棒性准则，该准则对数据缩放不变性，并且在大样本量和高信噪比情况下保持一致。为了保证其一致性，给出了分析证明。仿真结果表明，EBIC鲁棒性能明显优于EBIC和EFIC。
脑机接口
中文标题：稀疏时空脑-机接口的因子分解方法
英文标题：Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface
时间：2022.6.17
作者：Byeong-Hoo Lee, Jeong-Hyun Cho, Byoung-Hee Kwon, Seong-Whan Lee
机构：高丽大学（Korea University）
链接：https://arxiv.org/pdf/2206.08494.pdf
简介：最近，先进技术在解决大量数据的各种问题方面有着无限的潜力。然而，这些技术在处理大脑信号的脑-机接口（BCI）方面尚未显示出有竞争力的性能。基本上，大脑信号很难大量收集，特别是在自发BCI中，信息量很稀少。此外，我们推测任务之间的高度空间和时间相似性会增加预测难度。我们将这个问题定义为稀疏条件。为了解决这个问题，引入了因子分解方法，使模型能够从潜在空间中获得不同的表示。为此，我们提出了两种特征提取器：通过对抗式学习训练类公共模块作为生成器；分类模块利用分类产生的损失函数，采用传统方法提取特征。为了最小化类公共特征和类特定特征共享的潜在空间，在正交约束下对模型进行训练。因此，EEG信号被分解为两个独立的潜在空间。对单臂运动图像数据集进行评估。结果表明，通过对脑电信号进行因子分解，模型可以在稀疏条件下提取丰富而决定性的特征。
|