Уважаемые коллеги, доброго времени суток! Мы начинаем обзор изданий в области Аппаратной части и системной архитектуры. Сегодня хотим представить вам нидерландское научное издание Information Fusion. Журнал имеет первый квартиль, издается в Elsevier, его SJR за 2020 г. равен 2,776, импакт-фактор - 12,975, печатный ISSN - 1872-6305, электронный - 1566-2535, вот так выглядит обложка:
Редактором является Франсиско Херрера, контактные данные - herrera@ugr.es.
Журнал предназначен для представления в рамках одного форума всех разработок в области слияния информации с несколькими датчиками, источниками и процессами и, таким образом, способствует синергии между многими дисциплинами, которые способствуют его росту. Это основное средство распространения информации по всем аспектам исследований и разработок в области слияния информации. Ожидается, что в статьях будет уделено особое внимание одному или нескольким из трех аспектов: архитектурам, алгоритмам и приложениям. К публикации принимаются статьи, посвященные фундаментальному теоретическому анализу, а также те, которые демонстрируют их применение к реальным проблемам.
Адрес издания - https://www.sciencedirect.com/journal/information-fusion
Пример статьи, название - Finding and removing Clever Hans: Using explanation methods to debug and improve deep models. Заголовок (Abstract) - Contemporary learning models for computer vision are typically trained on very large (benchmark) datasets with millions of samples. These may, however, contain biases, artifacts, or errors that have gone unnoticed and are exploitable by the model. In the worst case, the trained model does not learn a valid and generalizable strategy to solve the problem it was trained for, and becomes a “Clever-Hans” predictor that bases its decisions on spurious correlations in the training data, potentially yielding an unrepresentative or unfair, and possibly even hazardous predictor. In this paper, we contribute by providing a comprehensive analysis framework based on a scalable statistical analysis of attributions from explanation methods for large data corpora. Based on a recent technique – Spectral Relevance Analysis – we propose the following technical contributions and resulting findings: (a) a scalable quantification of artifactual and poisoned classes where the machine learning models under study exhibit Clever-Hans behavior, (b) several approaches we collectively denote as Class Artifact Compensation, which are able to effectively and significantly reduce a model’s Clever Hans behavior, i.e., we are able to un-Hans models trained on (poisoned) datasets, such as the popular ImageNet data corpus. We demonstrate that Class Artifact Compensation, defined in a simple theoretical framework, may be implemented as part of a Neural Network’s training or fine-tuning process, or in a post-hoc manner by injecting additional layers, preventing any further propagation of undesired Clever Hans features, into the network architecture. Using our proposed methods, we provide qualitative and quantitative analyses of the biases and artifacts in, e.g., the ImageNet dataset, the Adience benchmark dataset of unfiltered faces and the ISIC 2019 skin lesion analysis dataset. We demonstrate that these insights can give rise to improved, more representative and fairer models operating on implicitly cleaned data corpora.
Graphical abstract
Keywords: Deep Neural Networks; Explainable artificial intelligence; Clever Hans predictors; Feature unlearning; Spectral Relevance Analysis; Class Artifact Compensation