研究问题描述

深度学习模型的事后（post-hoc）可解释方法：给定一个已训练的深度神经网络模型，如何对其输出进行解释。

Accept paper list: link

Accepted paper list: Link

大多文章都是关于NLP与推荐系统的。相关的不多。

Accepted paper list: Link

Link

Schedule

Link

调研: 关于流感预测

数据

• CDC关于2017-18流感季节预测比赛的数据与官方指导文件

• CDC上关于流感预测的方法介绍

• 学术网站Aminer整理的COVID19数据、信息、知识

Link

调研

• NIPS19 - Learning Representations for Time Series Clustering

流程

1. 本质上是在隐空间内学习一个利于分簇的表征，然后利用该表征结合传统的聚类方法，做聚类任务
   1. 使用auto-encoder的结构，求得时间序列在隐空间中的表达
   2. 为了使得encoder出的结果更适合于执行聚类任务，使用k-means建模了隐空间中的数据（本质上是无监督的优化类间距离与类内距离），这个过程中使用了可微分的k-means loss
   3. 为了使得encoder更具有表征能力，添加了一项任务，即分类任务，使用一个子网络来分类encoder编码的真实数据与假数据。
2. 使用UCR聚类任务评估效果

我认为的缺点

1. K-means的隐空间建模能力远弱与GMM

Link