结合神经网络,提升ImageNet分类准确率且可解释
最近,来自加州大学伯克利分校和波士顿大学的研究者试图解决「准确率」和「可解释性」不可兼得的难题。他们提出了一种神经支持决策树「Neural-backed decision trees」,在 ImageNet 上取得了 75.30% 的 top-1 分类准确率,在保留决策树可解释性的同时取得了当前神经网络才能达到的准确率,比其他基于决策树的图像分类方法高出了大约 14%。
更多热点资讯、洞察分析、研究报告、直播讲座……敬请关注【硬科技】
欢迎在各大平台认准蓝色logo的【硬科技】!
在这里看见、读懂和连接硬科技!我们聚焦光电芯片、人工智能、航空航天、新能源、智能汽车、生物医药、科创金融等行业,并依托于科技创新情报SaaS服务商智慧芽所拥有的独特科技情报数据优势,与读者一起看见技术趋势,读懂硬科技产业,连接创新未来。“硬科技”由智慧芽创新研究中心出品。
领取专属 10元无门槛券
私享最新 技术干货