论文阅读:Axiomatic Characterization of Data-Driven Influence Measures for Classification
个人水平有限,感觉论文写得不太容易理解
Axiomatic Characterization of Data-Driven Influence Measures for Classification
该论文特征影响力的计算是针对分类的情况,而且感觉是二分类,最重要的是下面这个影响力的计算公式
ϕ(x⃗,X,c)=∑y⃗∈X\x⃗(y⃗−x⃗)α(∥y⃗−x⃗∥)l(c(x⃗)=c(y⃗))\phi(\vec{x}, \mathcal{X}, c)=\sum_{\vec{y} \in \mathcal{X} \backslash \vec{x}}(\vec{y}-\vec{x}) \alpha(\|\vec{y}-\vec{x}\|) \mathbb{l}(c(\vec{x})=c(\vec{y}))ϕ(x,X,c)=y∈X\x∑(y−x)α(∥y−x∥)l(c(x)=c(y))
l(p)={1pistrue−1otherwisel(p)=\left\{\begin{matrix} 1&p\ is \ true\\ -1& otherwise\end{matrix}\right. l(p)={1−1p is trueotherwise
影响函数是针对特定样本的,也就是说ϕ(x⃗,X,c)\phi(\vec{x}, \mathcal{X}, c)ϕ(x,X,c)表达是样本x中的各个特征对样本x的分类结果的影响。ϕ(x⃗,X,c)i\phi(\vec{x}, \mathcal{X}, c)_iϕ(x,X,c)i表示第i个特征对分类的影响。α(∥y⃗−x⃗∥)\alpha(\|\vec{y}-\vec{x}\|)α(∥y−x∥)是一个待定的非负递减的加权函数,y和x的距离越远,权值越小,因此和x相近的样本对计算特征影响力会比较重要。上述公式相当于一个比较简单的统计,统计了类内与类间的特征变化趋势。个人不十分理解这种做法的有效性
ϕ(x⃗,X,c)i\phi(\vec{x}, \mathcal{X}, c)_iϕ(x,X,c)i表达的是增加或者减少该特征的值,对x分类结果的影响。如果各个变量存在量纲不同,似乎也不能直接作为影响程度比较。
这篇文章虽然引用了understanding Black-box Predictions via Influence Functions,但和这篇文章没有什么直接联系。初步感觉过来,个人觉得不是十分有用
论文阅读:Axiomatic Characterization of Data-Driven Influence Measures for Classification相关推荐
- 论文阅读笔记:Multi-view adaptive graph convolutions for graph classification
论文阅读笔记:Multi-view adaptive graph convolutions for graph classification 文章目录 论文阅读笔记:Multi-view adapti ...
- 【论文阅读】Learning Semantically Enhanced Feature for Fine-Grained Image Classification
[论文阅读] Learning Semantically Enhanced Feature for Fine-Grained Image Classification 摘要 具体实现 语义分组模块 特 ...
- GPT-2隐私泄露论文阅读:Extracting Training Data from Large Language Models
文章目录 论文地址: 原文阐释: 渔樵问对: 原理梗概 预防策略 隐私策略 这个新颖的攻击方式是什么? 三种典型采样策略: 隐私风险 文章第5页第二段中提到的 memorized training e ...
- 论文阅读笔记: Modeling Relational Data with Graph Convolutional Networks
arXiv:1703.06103v4 文章目录 1.Introduction 2.神经关系建模(Neural relational modeling) 2.1 关系图卷积网络(Relational g ...
- 【论文阅读】Cleanits: A Data Cleaning System for Industrial Time Series
论文来源 标题: Cleanits (Xiaoou Ding,2019) 作者: Xiaoou Ding, Hongzhi Wang, Jiaxuan Su, Zijue Li, Jianzhong ...
- 【论文阅读】CAFE: Catastrophic Data Leakage in Vertical Federated Learning
本文主要讲述了 恶意server 如何在VFL环境下根据数据索引来还原完整的训练数据. 这里写目录标题 现有工作的不足 主要贡献 实现 assumption & target 为什么大批量数据 ...
- 论文阅读:Learnable pooling with Context Gating for video classification
这篇论文是2016年Google Cloud & YouTube-8M Video Understanding Challenge比赛中冠军得主的论文. 文章的两点贡献: 融合了VLAD, b ...
- 论文阅读:Hierarchical Attention Transfer Network for Cross-Domain Sentiment Classification
论文来源:https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/16873/16149 发表日期:2018AAAI 研究背景 用户通常在社 ...
- 论文阅读:CNN-RNN: A Unified Framework for Multi-label Image Classification
CNN-RNN: A Unified Framework for Multi-label Image Classification Updated on 2018-08-0722:30:41 Pape ...
- 【论文阅读】DeepPap: Deep Convolutional Networks for Cervical Cell Classification
写在前面:该文章发于期刊. DeepPap: Deep Convolutional Networks for Cervical Cell Classification Ling Zhang, Le L ...
最新文章
- VS2012下基于Glut OpenGL glScissor示例程序:
- python——常用内置函数(enumerate、map、zip、eval)用法
- HDU 1019 Least Common Multiple
- linux 目录硬链接,linux为什么不能给目录做硬链接
- python server酱_教你如何使用Python向手机发送通知(IFTTT)
- v2ex热帖:面了几个程序员(3-5年),发现他们对MySQL的distinct关键字有误解......
- python基础篇--从零开始(第一个程序)
- 求长方形和正方形的面积
- 一般默认的路由器IP地址
- 语音端点matlab,语音端点检测及其在Matlab中的实现
- Linux力挺微博世
- 基于ESP32与OLED12864的主机状态监视器(MicroPython)
- 吊炸天的云原生,到底是个啥
- 如何让DIV标签居中显示?
- 2021年材料员-通用基础(材料员)考试题库
- SQL server 没有新建数据库权限 错误代码262
- 【探花交友DAY 09】最近访客和FastDFS实现小视频功能
- 【绘制】HTML5 Canvas坐标变换——坐标系的平移(translate)、缩放(scale)、旋转(rotate)、镜像。(图文、代码)
- MT6572_JB3 配NAND flash
- Satori指纹识别原理及dhcp分析
热门文章
- python制作动态二维码步骤_七夕 | 如何用Python制作动态二维码,来哄女朋友开心?...
- excel组合汇总_Excel汇总20150112
- 张一鸣卸任字节跳动CEO
- mysql 创建utf-8数据库_mysql 创建utf-8数据库
- [推荐] 6410 休眠唤醒实现小结 [问题点数:40分]【转】
- GnomeSort 又是一个O(n2),不过,只用一次循环……
- 爬虫中proxies小分享
- MySQL免安装版本的配置
- SVN-----CornerStone
- unity实现透视相机与正交相机的平滑切换