#interpretability 仓库
探索 39 个标记为 #interpretability 的活跃开源 GitHub 仓库,它们累计获得 134,415 个 Star(平均每个项目 3,446 个)。该主题的领先项目是 shap/shap,拥有 25,883 个 Star。
共 39 个仓库
用于 PyTorch 模型的类激活映射 (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Responsible AI Toolbox 是一套工具,提供模型和数据探索与评估的用户界面和库,能够帮助更好地理解 AI 系统。这些界面和库使 AI 系统的开发人员和相关方能够更负责任地开发和监控 AI,并采取更明智的数据驱动行动。
一系列异常检测方法(iid/基于点的、图和时间序列)的集合,包括用于异常检测/发现的主动学习、贝叶斯规则挖掘、多样性/解释/可解释性的描述。将标签反馈与集成和基于树的检测器结合的分析。包括使用图卷积网络的对抗攻击。
检查、可视化并干预任意神经网络中的任何操作。无需更改模型代码,即可捕获每个激活值和梯度、完整计算图以及 800 多个元数据字段。支持 PyTorch、JAX、TensorFlow、MLX、PaddlePaddle 和 tinygrad。已在 6,400 多个模型上验证。专为研究人员及其 AI 智能体打造。
训练可解释 ML 模型、解释 ML 模型以及针对准确性、歧视性和安全性的调试 ML 模型的技术示例。
常见问题解答
GitHub 上最受欢迎的 #interpretability 仓库是什么?
GitHub 上排名第一的开源 #interpretability 项目是 shap/shap,拥有 25,883 个 Star。一种博弈论方法来解释任何机器学习模型的输出
#interpretability 仓库中最常使用的编程语言有哪些?
在 GitHub 上排名靠前的 #interpretability 项目中,最常见的编程语言是 Python, Jupyter Notebook, C++, TypeScript。
#interpretability 仓库的排名是如何计算的?
我们跟踪了 39 个标记为 #interpretability 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 134,415 个 Star,平均每个仓库拥有 3,446 个 Star。排名每日根据 GitHub API 更新。