基于Pareto协同进化算法的高维模糊分类系统设计

提出一种可同时构造多个精确性和解释性较好折衷的高维模糊分类系统的设计方法.该方法首先利用Simba算法进行特征变量选择,然后采用模糊聚类算法辨识初始的模糊模型,最后利用Pareto协同进化算法对所获得的初始模糊模型进行结构和参数优化.其中,Pareto协同进化算法采用了一种新的基于非支配排序的多种群合作策略.为提高模型的解释性,在Pareto协同进化算法中利用基于相似性的模型简化方法对模型进行约简.利用该方法对Wine典型问题进行分类,仿真结果验证了方法的有效性.     

基于Pareto多目标遗传算法的模糊系统设计

提出一种基于Pareto多目标遗传算法生成一组精确性和解释性较好折衷模糊系统的方法.该方法采用模糊聚类算法辨识初始的模糊模型,利用匹茨堡型实数编码的遗传算法对初始模糊模型的结构和参数进行优化,基于NSGA-Ⅱ算法的目标函数同时考虑模型的精确性和解释性;最后,在算法中利用基于相似性的模型简化方法约简模糊系统.利用该方法对两个Benchmark系统进行建模,仿真结果验证了该方法的有效性.     

文件和包层次的软件缺陷预测

软件缺陷预测中使用哪些软件度量和如何使用度量进行预测目前还没有定论。该文提出基于度量组合的方法来分析各种度量在缺陷预测中的作用,并用试验的方法证明了在缺陷预测中使用有限的度量可以达到与使用所有度量相近的预测效果。提出的度量组合方法具有通用性,能为缺陷预测过程提供有效的度量选择方法,并提高了预测结果的可解释性。     

金融交易数据驱动的图谱网络智能化欺诈侦测

针对当前金融领域营销场景中商户与持卡人团伙化的交易欺诈行为难以侦测、挖掘的不足的问题,该文基于交易流水数据,构建了持卡人-商户的智能化交易图谱网络,建立了图拓扑特征体系框架和机器学习的异常检测算法,对当前营销欺诈团伙化网络进行了智能化侦测.基于相关样本数据提出的模型效果比传统模型具有较大提升,对欺诈团伙证据链挖掘和画像分析提供了有效方法.     

深度神经网络中哲学所关注的五个问题

深度神经网络进展迅速，从哲学上回答需要关注的与可解释性有关的问题主要包括：可解释性界定、本质、是否可如同符号逻辑于分析哲学的作用般有助于学术争论解决、可解释性问题的消解以及符号主义是否是先验的。我们主张可解释性可置换为泛化中的有效性，输入和输出对复杂关系的近似不具有因果性而是训练的结果，逐层加工认知和近似逼近才是深度神经网络的的本质，对比人脑的复杂度，它不会与人的思维趋同。     

基于深度学习的恶意代码检测可解释性研究

针对深度学习模型无法解释其是否提取到了关键特征的问题，该文从建模之前和建模之后2个层面对基于深度学习的恶意代码检测进行了可解释性研究。在建模之前，通过对二进制文件进行可视化分析，发现恶意代码的图像模态特征存在着明显的同类相似性和类间差异性，验证了运用深度学习模型进行图像模态特征恶意代码检测的可行性。在建模之后，提出了一种基于梯度加权类激活映射(Grad-CAM)的恶意代码检测可视化可解释性方法，在视觉直观上和统计分析上说明了基于深度学习的恶意代码检测具有可解释性。     

文化科技融合发展的关键影响因素及其层次结构研究

文化科技融合是未来文化产业发展的关键动力。要提升文化科技融合发展水平，必须明晰影响文化科技融合发展的关键因素。为此，研究采用决策试验、评价实验法（DEMATEL）和解释性结构模型(ISM)就文化与科技融合发展的关键影响因素及其层次结构进行深入分析，结果表明产学研合作能力、从事文化科技的人才和文化产业技术支撑能力是影响文化科技融合发展的排名前三位的关键因素；影响文化科技融合的18个因素可分为4个层级，行业竞争压力等11个因素是最直接的因素，文化产业技术支撑能力等4个因素是支撑因素，产品市场需求和产学研合作能力是深层次因素，而政府支持政策才是最根本的因素。     

可解释性预测分析方法的研究

为突破现有预测分析方法中可解释性不足的瓶颈，基于粗糙集理论，提出了一种全新的可解释预测分析的框架。该框架可进行拓展和优化，灵活性和适用性强，为研究面向复杂系统的预测分析提供了新的研究思路和方法。为了验证所提出的预测分析方法的有效性和可行性，文中将该方法应用于聚类预测分析中，并将其与现有常用的聚类算法进行对比研究，然后利用聚类有效性指标进行对比评估。实验结果表明，文中提出的预测分析模型在聚类预测分析中具有一定的优势和特色。