key words: Self-explaining models

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。

总结几个点：

1. 数据集名称与链接
2. 数据集背景：数据集的描述对象是什么
3. 数据集任务：该数据集采集的时候的原始任务是什么
4. 数据集格式（可选的）

本调研总结了TB级别以上数据集的简单说明与地址，不限数据类型。其中包含了一些压缩后不足1TB的数据集，他们的原始文件大小均为1TB以上。

以下数据均来源于美国疾病控制与预防中心（CDC）。

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

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

（有待整理）

哦哦哦，也就是可以用激活函数实现一些数学操作的意思，把特定范围的值（小于零得值）映射到另一个特定的值（0）。【我倒有看到一个用relu把特定的值变为0的，比如gcn自动学习临接矩阵的时候，把小的项变为0】

• Autoregressive Convolutional Neural Networks for Asynchronous Time Series: ICML 2019

  异：

  1. 处理的是多维时间序列数据
  2. 针对非同步数据，并未和我们一样，训练一个能够用于多种采样率的模型，而是将[多维时间序列，序列指示剂，采样间隔]合并成为多维时间序列，然后输入到网络中
  3. 使用类似自回归模型的算法，对时间序列模型进行预测
  4. 使用cnn进行序列学习

  同：

  1. 没什么相同的

近年来一些顶会文章或者是比较重要的文章，并列出与我的工作的异同点（NIPS20的投稿）