以卷積自編碼器進行空間稀疏主成分分析
探討卷積是否能在稀疏學習表徵中保留局部空間結構。
研究
論文研究
以規則萃取進行解釋分析
針對黑箱模型預測產生忠實且可讀的規則。
研究脈絡
01
結構化表徵學習
卷積等歸納偏置，能否幫助稀疏潛在表徵保留局部空間關係？我的統計碩士論文透過模擬資料與氣候資料探討這個問題。
02
可信賴與可解釋 AI
如何將黑箱預測轉化為精簡規則，同時維持對原模型的忠實度？在 Ericsson R&D，我開發並評估了一套事後、模型無關的規則萃取流程。
03
自監督與預測式學習
我關注模型如何從未標註影片中發現對應關係與動態，並利用所學表徵預測未來狀態，而不只是重建觀測。