资讯中心

2025-05-28
贝叶斯小样本学习

贝叶斯小样本学习是结合贝叶斯方法与小样本学习（Few-Shot Learning）的技术，旨在数据稀缺（如每个类别仅有少量样本）的场景下，通过概率建模和先验知识提升模型的泛化能力和不确定性估计能力。
2025-05-26
贝叶斯网络的学习

贝叶斯网络的学习（Learning）旨在从数据中获取网络的结构（有向无环图，DAG）和参数（条件概率分布），是连接领域知识与数据驱动推理的关键环节。
2025-05-23
贝叶斯网络的推断

贝叶斯网络的推断（Inference）是指利用贝叶斯网络的图结构和条件概率分布，在给定部分变量观测值（证据）的情况下，计算目标变量的后验概率分布，或进行概率推理的过程。
2025-05-22
贝叶斯网络的表示

贝叶斯网络（Bayesian Network, BN）是一种基于概率图理论的建模工具，通过有向无环图（DAG）和条件概率分布（CPD）的结合，高效表示变量间的依赖关系与不确定性。
2025-05-19
可解释AI的历史与发展现状

可解释人工智能（XAI）的发展历程与技术演进紧密交织，其核心脉络可概括为 “从透明到黑箱再到透明化回归” 的螺旋式上升。
2025-05-14
可解释人工智能解释的范畴

可解释人工智能（XAI）的解释范畴指其解释所涵盖的对象、层次、类型及目标等多维度的范围。
2025-05-12
可解释人工智能层次分类及应用场景

内在可解释模型：如线性回归（权重系数直接反映特征重要性）、决策树（规则可视化）、逻辑回归（概率解释）等
2025-05-09
可解释人工智能目的、定义、范式

可解释人工智能（XAI）是通过技术手段使人工智能系统的决策过程、逻辑依据和输出结果能够被人类理解、验证和信任的理论与方法体系。
2025-05-06
为什么人工智能需要可解释性

随着 AI 从实验室走向真实世界，其价值不仅在于高效完成任务，更在于与人类社会的深度融合。
2025-04-28
卷积神经网络迁移学习

在大规模图像数据上训练的卷积神经网络，如在 ImageNet 上训练的模型，会学习到大量通用的图像特征，例如边缘、纹理、形状等低级特征，以及更高级的物体部件、类别相关的特征。