Mayer, KM & Hafner, JH Sensores de resonancia de plasmones superficiales localizados. Chem Rdo. 111, 3828 – 3857 (2011).
Langer, J. y col. Presente y futuro de la dispersión Raman mejorada en superficie. ACS Nano 14, 28 – 117 (2020).
Willets, KA, Wilson, AJ, Sundaresan, V. & Joshi, PB Imágenes y plasmónica de superresolución. Chem Rdo. 117, 7538 – 7582 (2017).
Brongersma, ML, Halas, NJ y Nordlander, P. Ciencia y tecnología de portadores calientes inducidos por plasmones. Nat. Nanotecnol 10, 25 – 34 (2015).
Baffou, G. & Quidant, R. Nanoplasmónica para la química. Chem Soc. Rdo. 43, 3898 – 3907 (2014).
Park, W., Lu, D. & Ahn, S. Plasmon mejora de la conversión ascendente de luminiscencia. Chem Soc. Rdo. 44, 2940 – 2962 (2015).
Gu, M. et al. Nanoplasmónica: una frontera de las células solares fotovoltaicas. Nanofotónica 1, 235 – 248 (2012).
Azzam, SI et al. Diez años de spasers y nanoláseres plasmónicos. Ciencia de la luz Aplicación 9, 90 (2020).
Abadeer, NS & Murphy, CJ Avances recientes en la terapia térmica del cáncer usando nanopartículas de oro. J. Phys. Chem C 120, 4691 – 4716 (2016).
Xavier, J., Yu, DS, Jones, C., Zossimova, E. & Vollmer, F. Detección nanofotónica y nanoplasmónica cuántica: hacia laboratorios de biociencia óptica cuántica en chip. Nanofotónica 10, 1387 – 1435 (2021).
Zhou, Z.-K. et al. Se aplica la plasmónica cuántica. prog. Electrón Cuántico. 65, 1 – 20 (2019).
Henry, A.-I. et al. Estudios de estructura correlacionada y propiedades ópticas de nanopartículas plasmónicas. J. Phys. Chem C 115, 9291 – 9305 (2011).
Carleo, G. et al. El aprendizaje automático y las ciencias físicas. Rev.Mod. física 91, 045002 (2019).
Butler, KT, Davies, DW, Cartwright, H., Isayev, O. y Walsh, A. Aprendizaje automático para la ciencia molecular y de materiales. Naturaleza 559, 547 – 555 (2018).
Brown, KA, Brittman, S., Maccaferri, N., Jariwala, D. y Celano, U. Aprendizaje automático en nanociencia: grandes datos a pequeña escala. Nano Lett. 20, 2 – 10 (2020).
Vahidzadeh, E. & Shankar, K. Predicción basada en redes neuronales artificiales de las propiedades ópticas de las metaestructuras plasmónicas de núcleo-capa esférica. Nanomateriales 11, 633 (2021).
Malkiel, I. et al. Diseño y caracterización de nanoestructuras plasmónicas mediante aprendizaje profundo. Light Sci. Apl. 7, 60 (2018).
Kim, W. et al. Espectroscopía Raman mejorada en superficie basada en papel para el diagnóstico de enfermedades prenatales en mujeres. ACS Nano 12, 7100 – 7108 (2018).
Lussier, F., Missirlis, D., Spatz, JP y Masson, JF La optofisiología de dispersión Raman mejorada en la superficie impulsada por el aprendizaje automático revela gradientes de metabolitos multiplexados cerca de las células. ACS Nano 13, 1403 – 1411 (2019).
Shi, H. et al. Configuración de una base de datos de dispersión Raman mejorada en la superficie para la discriminación sin etiquetas basada en inteligencia artificial de genes supresores de tumores. Anal. Chem 90, 14216 – 14221 (2018).
Tao, H. et al. Síntesis de nanopartículas asistida por aprendizaje automático. Nat. Rev.Mater. 6, 701 – 716 (2021).
Yen, S.-C., Chen, Y.-L. & Su, Y.-H. Evolución del genoma de materiales de las características de resonancia de plasmones superficiales de nanopartículas de Au decoradas con nanovarillas de ZnO. Materia APL. 8, 091109 (2020).
Leong, YX et al. Catador de dispersión Raman mejorada en la superficie (SERS): una plataforma multirreceptora impulsada por el aprendizaje automático para la creación de perfiles multiplex de los sabores del vino. Nano Lett. 21, 2642 – 2649 (2021).
Macías, G. et al. Cata de whisky utilizando una lengua nanoplasmónica bimetálica. Nanoescale 11, 15216 – 15223 (2019).
Zhang, T. et al. Predicción de espectro eficiente y diseño inverso para sistemas de guía de ondas plasmónicos basados en redes neuronales artificiales. Fotón. Res. 7, 368 – 380 (2019).
Nelson, MD y Di Vece, M. Uso de una red neuronal para mejorar la absorción óptica en capas de perovskita de haluro que contienen nanopartículas de plata con núcleo y capa. Nanomateriales 9, 437 (2019).
He, J., He, C., Zheng, C., Wang, Q. & Ye, J. Simulaciones de nanopartículas plasmónicas y diseño inverso mediante aprendizaje automático. Nanoescale 11, 17444 – 17459 (2019).
Roberts, NB y Keshavarz Hedayati, M. Un enfoque de aprendizaje profundo para la predicción directa y el diseño inverso del color estructural de la metasuperficie plasmónica. Appl. Phys. Letón. 119, 061101 (2021).
Wang, M., Wang, T., Cai, P. & Chen, X. Descubrimiento y diseño de nanomateriales a través del aprendizaje automático. Pequeños métodos 3, 1900025 (2019).
Kelly, KL, Coronado, E., Zhao, LL y Schatz, GC Las propiedades ópticas de las nanopartículas metálicas: la influencia del tamaño, la forma y el entorno dieléctrico. J. Phys. Chem si 107, 668 – 677 (2003).
Li, X., Shu, J., Gu, W. y Gao, L. Red neuronal profunda para el modelado de sensores plasmónicos. Optar. Mater. Rápido 9, 3857 – 3862 (2019).
Pashkov, DM et al. Análisis cuantitativo de los espectros UV-vis para nanopartículas de oro con tecnología de aprendizaje automático supervisado. J. Phys. Chem C 125, 8656 – 8666 (2021).
Arzola-Flores, JA & Gonzalez, AL Aprendizaje automático para predecir la resonancia de plasmones superficiales de nanocubos de oro perfectos y cóncavos. J. Phys. Chem C 124, 25447 – 25454 (2020).
Hiszpanski, AM et al. Información sobre la síntesis de nanomateriales a partir del aprendizaje automático de artículos científicos mediante la extracción, estructuración y visualización del conocimiento. J. Chem. Inf. Modelo. 60, 2876 – 2887 (2020).
Ashalley, E. et al. Diseño multitarea basado en aprendizaje profundo de metamateriales plasmónicos quirales. Fotón. Res. 8, 1213 – 1225 (2020).
Sajedian, I., Badloe, T. & Rho, J. Optimización de la generación de color a partir de nanoestructuras dieléctricas mediante aprendizaje por refuerzo. Optar. Rápido 27, 5874 – 5883 (2019).
Liu, D., Tan, Y., Khoram, E. & Yu, Z. Entrenamiento de redes neuronales profundas para el diseño inverso de estructuras nanofotónicas. ACS Photonics 5, 1365 – 1369 (2018).
Kasani, S., Curtin, K. & Wu, N. Una revisión de los patrones de matrices de nanoestructuras plasmónicas 2D y 3D: fabricación, gestión de la luz y aplicaciones de detección. Nanofotónica 8, 2065 – 2089 (2019).
Glotzer, SC & Solomon, MJ Anisotropía de bloques de construcción y su ensamblaje en estructuras complejas. Nat. Mate. 6, 557 – 562 (2007).
Mac Farlane, RJ et al. Ingeniería de superredes de nanopartículas con ADN. Ciencia: 334, 204 – 208 (2011).
Tao, HC et al. Síntesis de nanopartículas asistida por aprendizaje automático. Nat. Rev.Mater. 6, 701 – 716 (2021).
Ringe, E., Van Duyne, RP & Marks, LD Construcciones de Wulff modificadas cinéticas y termodinámicas para nanopartículas gemelas. J. Phys. Chem C 117, 15859 – 15870 (2013).
Salley, D. et al. Un robot de descubrimiento de nanomateriales para la evolución darwiniana de nanopartículas de oro de forma programable. Nat. Comun. 11, 2771 (2020).
Pinho, B. & Torrente-Murciano, L. Dial-a-particle: fabricación precisa de nanopartículas plasmónicas basada en información de crecimiento temprano: redefinición de la automatización para la síntesis lenta de materiales. Adv. Materia Energética. 11, 2100918 (2021).
Britton, J. & Raston, CL Síntesis de flujo continuo en varios pasos. Chem Soc. Rdo. 46, 1250 – 1271 (2017).
Volk, AA, Epps, RW y Abolhasani, M. Desarrollo acelerado de nanomateriales coloidales habilitados por reactores microfluídicos modulares: hacia la experimentación robótica autónoma. Adv. Mate. 33, 2004495 (2021).
Coley, CW, Green, WH y Jensen, KF Aprendizaje automático en la planificación de síntesis asistida por computadora. Acc. Chem Res. 51, 1281 – 1289 (2018).
Copp, SM, Bogdanov, P., Debord, M., Singh, A. & Gwinn, E. Reconocimiento de motivos básicos y diseño de plantillas de ADN para grupos de plata fluorescente mediante aprendizaje automático. Adv. Mate. 26, 5839 – 5845 (2014).
Copp, SM et al. Color de fluorescencia por diseño basado en datos de grupos de plata genómicos. ACS Nano 12, 8240 – 8247 (2018).
Adorf, CS, Moore, TC, Melle, YJU & Glotzer, SC Análisis de rutas de autoensamblaje con algoritmos de aprendizaje automático no supervisados. J. Phys. Chem si 124, 69 – 78 (2020).
Dijkstra, M. & Luijten, E. Del modelado predictivo al aprendizaje automático y la ingeniería inversa del autoensamblaje coloidal. Nat. Mate. 20, 762 – 773 (2021).
Nette, J., Howes, PD y deMello, AJ Síntesis microfluídica de nanopartículas luminiscentes y plasmónicas: rápida, eficiente y rica en datos. Adv. Mate. Tecnología 5, 2000060 (2020).
Wu, CC-C., Pan, F. y Su, Y.-H. Resonancia de plasmones superficiales de nano-erizos de mar de oro controlados por regulación basada en aprendizaje automático en crecimiento mediado por semillas. Adv. Fotón. Res. 2, 2170031 (2021).
Mekki-Berrada, F. et al. El aprendizaje automático en dos pasos permite la síntesis optimizada de nanopartículas. Cálculo npj. Mate. 7, 55 (2021).
Dong, B. et al. Síntesis de AgNP esféricos monodispersos por el método de Lee-Meisel intensificado por ultrasonido y evaluación rápida mediante aprendizaje automático. Ultrasonido. Sonochem. 73, 105485 (2021).
Fernández, DLA et al. Síntesis microfluídica verde de nanopartículas de plata monodispersas mediante optimización de algoritmos genéticos. RSC Adv. 6, 95693 – 95697 (2016).
Fukada, K. & Seyama, M. Dispositivos microfluídicos controlados por aprendizaje automático con experimentos de falla. Anal. Chem 94, 7060 – 7065 (2022).
Moen, E. et al. Aprendizaje profundo para el análisis de imágenes celulares. Nat. Métodos 16, 1233 – 1246 (2019).
Hopper, ER et al. Control de tamaño en la síntesis coloidal de nanopartículas de magnesio plasmónico. J. Phys. Chem C 126, 563 – 577 (2022).
Woehrle, GH, Hutchinson, JE, Ozkar, S. y Finke, RG Análisis de datos de microscopía electrónica de transmisión de nanopartículas utilizando un programa de procesamiento de imágenes de dominio público, image. Turco. J. Chem. 30, 1 – 13 (2006).
Wang, X. et al. Autodetect-mNP: un algoritmo de aprendizaje automático no supervisado para el análisis automatizado de imágenes de microscopio electrónico de transmisión de nanopartículas metálicas. JACS Au 1, 316 – 327 (2021).
Lee, B. et al. Caracterización estadística de las morfologías de nanopartículas mediante análisis de imágenes de microscopía electrónica basado en aprendizaje automático. ACS Nano 14, 17125 – 17133 (2020).
Xu, S. et al. Análisis de aprendizaje profundo de imágenes de ondas polaritónicas. ACS Nano 15, 18182 – 18191 (2021).
Yao, L., Ou, Z., Luo, B., Xu, C. & Chen, Q. Aprendizaje automático para revelar la dinámica de nanopartículas a partir de videos TEM en fase líquida. Ciento ACS. ciencia 6, 1421 – 1430 (2020).
Zhong, Y., Li, C., Zhou, H. y Wang, G. Desarrollo de seguimiento tridimensional de partículas individuales resistente al ruido mediante redes neuronales profundas. Anal. Chem 90, 10748 – 10757 (2018).
Moon, G., Son, T., Lee, H. y Kim, D. Enfoque de aprendizaje profundo para mejorar la detección de la dispersión de plasmones superficiales. Anal. Chem 91, 9538 – 9545 (2019).
Ma, YP, Li, Q., Luo, JB, Huang, CZ y Zhou, J. Dispersión de reacción débil de dispersión de luz de resonancia plasmónica con aprendizaje automático. Anal. Chem 93, 12131 – 12138 (2021).
Horgan, CC et al. Imágenes moleculares de alto rendimiento a través de espectroscopia Raman habilitada para aprendizaje profundo. Anal. Chem 93, 15850 – 15860 (2021).
García de Abajo, FJ Excitaciones ópticas en microscopía electrónica. Rev.Mod. física 82, 209 – 275 (2010).
Nelayah, J. et al. Mapeo de plasmones de superficie en una sola nanopartícula metálica. Nat. física 3, 348 – 353 (2007).
Collins, SM & Midgley, PA Progreso y oportunidades en tomografía EELS y EDS. ultramicroscopía 180, 133 – 141 (2017).
Nicoletti, O. et al. Imágenes tridimensionales de resonancias de plasmones de superficie localizadas de nanopartículas metálicas. Naturaleza 502, 80 – 84 (2013).
Dobigeon, N. & Brun, N. Análisis de mezcla espectral de imágenes de espectro EELS. ultramicroscopía 120, 25 – 34 (2012).
Altmann, Y., McLaughlin, S. & Hero, A. Desmezcla espectral lineal robusta mediante detección de anomalías. Trans. IEEE. computar Imágenes 1, 74 – 85 (2015).
Bosman, M., Watanabe, M., Alexander, DTL & Keast, VJ Mapeo de información química y de enlaces usando análisis multivariante de imágenes de espectro de pérdida de energía de electrones. ultramicroscopía 106, 1024 – 1032 (2006).
Kalinin, SV et al. Separación de mecanismos físicamente distintos en nanoestructuras plasmónicas infrarrojas complejas mediante espectroscopia de pérdida de energía de electrones mejorada mediante aprendizaje automático. Adv. Optar. Mater. 9, 2001808 (2021).
Linic, S., Aslam, U., Boerigter, C. & Morabito, M. Transformaciones fotoquímicas en nanopartículas metálicas plasmónicas. Nat. Mate. 14, 567 – 576 (2015).
Mukherjee, S. et al. Disociación de H inducida por electrones calientes2 sobre nanopartículas de oro soportadas sobre SiO2. Mermelada. Chem. Soc. 136, 64 – 67 (2014).
van Schrojenstein Lantman, EM, Deckert-Gaudig, T., Mank, AJG, Deckert, V. & Weckhuysen, BM Procesos catalíticos monitoreados a nanoescala con espectroscopia Raman mejorada con punta. Nat. Nanotecnol 7, 583 – 586 (2012).
Linic, S., Christopher, P. & Ingram, DB Nanoestructuras de metal plasmónico para la conversión eficiente de energía solar en energía química. Nat. Mate. 10, 911 – 921 (2011).
Masood, H., Toe, CY, Teoh, WY, Sethu, V. y Amal, R. Aprendizaje automático para el descubrimiento acelerado de fotocatalizadores solares. Catálogo ACS. 9, 11774 – 11787 (2019).
Martirez, JMP, Bao, JL & Carter, EA Conocimientos básicos de la catálisis inducida por plasmones. Annu Rev. Phys. Chem 72, 99 – 119 (2021).
Rück, M., Garlyyev, B., Mayr, F., Bandarenka, AS y Gagliardi, A. Actividades de reducción de oxígeno de electrocatalizadores de núcleo-carcasa de platino tensos predichos por el aprendizaje automático. J. Phys. Chem Letón. 11, 1773 – 1780 (2020).
Chen, C. & Li, SZ Pseudopermitividad dependiente de la densidad de electrones de valencia para efectos no locales en propiedades ópticas de nanopartículas metálicas. ACS Photonics 5, 2295 – 2304 (2018).
Hu, W. et al. Protocolo de aprendizaje automático para espectroscopia Raman mejorada en superficie. J. Phys. Chem Letón. 10, 6026 – 6031 (2019).
Chu, W., Saidi, WA y Prezhdo, OV Electrón caliente de larga duración en una partícula metálica para plasmónica y catálisis: dinámica molecular no adiabática ab initio con aprendizaje automático. ACS Nano 14, 10608 – 10615 (2020).
Sun, B., Fernandez, M. & Barnard, AS Aprendizaje automático para la predicción de la propiedad de transferencia de electrones de nanopartículas de plata. J. Chem. Inf. Modelo. 57, 2413 – 2423 (2017).
Nesfchi, MM et al. Fabricación de nanopartículas plasmónicas/TiO dopado con cobalto2 nanohojas para la degradación de tetraciclina y modelado del proceso mediante técnicas de inteligencia artificial. Mate. ciencia Semisegundo. Proceso. 122, 105465 (2021).
Mikolajczyk, A. et al. Un enfoque quimioinformático para la caracterización de nanomateriales híbridos: perspectiva de diseño más segura y eficiente. Nanoescale 11, 11808 – 11818 (2019).
Szczerbiński, J., Gyr, L., Kaeslin, J. & Zenobi, R. La fotocatálisis impulsada por plasmones conduce a productos conocidos de la química de superficie inducida por rayos X y haz de electrones. Nano Lett. 18, 6740 – 6749 (2018).
Domulevicz, L., Jeong, H., Paul, NK, Gomez-Diaz, JS & Hihath, J. Caracterización multidimensional de la dinámica de una sola molécula en una nanocavidad plasmónica. Angew Chem En t. Ed. 60, 16436 – 16441 (2021).
Tian, C. et al. Aprendizaje profundo sobre eliminación de ruido de imágenes: una descripción general. Redes neuronales. 131, 251 – 275 (2020).
Adir, O. et al. Integración de inteligencia artificial y nanotecnología para la medicina oncológica de precisión. Adv. Mate. 32, 1901989 (2020).
Cui, F., Yue, Y., Zhang, Y., Zhang, Z. y Zhou, HS Avances en biosensores con aprendizaje automático. Sensores ACS. 5, 3346 – 3364 (2020).
Jin, X., Liu, C., Xu, T., Su, L. y Zhang, X. Biosensores de inteligencia artificial: desafíos y perspectivas. Biosens. Bioelectrón. 165, 112412 (2020).
Masson, JF Biosensores clínicos de resonancia de plasmón superficial para diagnóstico médico. Sensores ACS. 2, 16 – 30 (2017).
Gomes, JCM, Souza, LC & Oliveira, LC Sensor SmartSPR: enfoques de aprendizaje automático para crear sensores inteligentes basados en plasmones de superficie. Biosens. Bioelectrón. 172, 112760 (2021).
Thadson, K., Visitsattapongse, S. y Pechprasarn, S. Algoritmo de recuperación de fase de disparo único basado en aprendizaje profundo para la aplicación de detección de índice de refracción basada en microscopio de resonancia de plasmones de superficie. Sci. Reps. 11, 16289 (2021).
Song, MK, Chen, SX, Hu, PP, Huang, CZ y Zhou, J. Análisis automatizado de imágenes de dispersión de resonancia plasmónica mediante aprendizaje profundo. Anal. Chem 93, 2619 – 2626 (2021).
Weng, SZ et al. Redes de aprendizaje profundo para el reconocimiento y la cuantificación de la espectroscopia Raman mejorada en superficie. Analista 145, 4827 – 4835 (2020).
Erzina, M. et al. Detección precisa del cáncer a través de la combinación de superficies SERS funcionalizadas y una red neuronal convolucional con entradas independientes. Sens. Actuadores B308, 127660 (2020).
Colmillo, XL et al. Discriminación rápida de células tumorales y sanguíneas mediante espectros de dispersión Raman mejorados en la superficie sin etiquetas y aprendizaje profundo. Aplicación J. física 129, 127660 (2021).
Hunter, R. et al. Plataforma SERS sin etiquetas optofluídicas para la detección rápida de bacterias en suero. Sens. Actuadores B300, 126907 (2019).
Lussier, F., Thibault, V., Charron, B., Wallace, GQ y Masson, JF Aprendizaje profundo y métodos de inteligencia artificial para la dispersión Raman y Raman mejorada en la superficie. Tendencias Anal. Chem. 124, 115796 (2020).
Thrift, WJ et al. Análisis de aprendizaje profundo de espectros vibratorios de lisado bacteriano para pruebas rápidas de susceptibilidad antimicrobiana. ACS Nano 14, 15336 – 15348 (2020).
Kajendirarajah, U., Olivia Avilés, M. & Lagugné-Labarthet, F. Descifrando imágenes Raman mejoradas con punta de nanotubos de carbono con redes neuronales de aprendizaje profundo. Phys. Chem Chem Phys. 22, 17857 – 17866 (2020).
Zivanovic, V. et al. Nanodetección óptica de la acumulación de lípidos debido a la inhibición enzimática en células vivas. ACS Nano 13, 9363 – 9375 (2019).
de Albuquerque, CDL, Sobral-Filho, RG, Poppi, RJ & Brolo, AG Protocolo digital para análisis químico en concentraciones ultrabajas mediante dispersión Raman mejorada en superficie. Anal. Chem 90, 1248 – 1254 (2018).
Thrift, WJ & Ragan, R. Cuantificación de la concentración de analitos en el régimen de una sola molécula utilizando redes neuronales convolucionales. Anal. Chem 91, 13337 – 13342 (2019).
Thrift, WJ et al. Brújula de olor basada en dispersión Raman mejorada en superficie: localización de múltiples fuentes químicas y patógenos. Sensores ACS. 4, 2311 – 2319 (2019).
Smith, JD et al. Etiquetas plasmónicas antifalsificación con alta capacidad de codificación autenticadas rápidamente con aprendizaje automático profundo. ACS Nano 15, 2901 – 2910 (2021).
LeCun, Y., Bengio, Y. y Hinton, G. Aprendizaje profundo. Naturaleza 521, 436 – 444 (2015).
Lashgari, E., Liang, D. y Maoz, U. Aumento de datos para electroencefalografía basada en aprendizaje profundo. J. Neurosci. Métodos 346, 108885 (2020).
Xie, Y. et al. Cómo lograr la identificación automática en el análisis Raman mediante la extracción de características espectrales y la hipergrafía adaptativa. espectroquim. Acta A 222, 117086 (2019).
Entonces, S., Badloe, T., Noh, J., Bravo-Abad, J. & Rho, J. El aprendizaje profundo permitió el diseño inverso en nanofotónica. Nanofotónica 9, 1041 – 1057 (2020).
Xu, X., Aggarwal, D. y Shankar, K. Predicción de propiedades instantáneas y diseño inverso de nanoestructuras plasmónicas mediante aprendizaje automático: aplicaciones actuales y direcciones futuras. Nanomateriales 12, 633 (2022).
Kabir, HMD, Khosravi, A., Hosen, MA y Nahavandi, S. Cuantificación de incertidumbre basada en redes neuronales: una encuesta de metodologías y aplicaciones. IEEE Access 6, 36218 – 36234 (2018).
Jospin, LV, Laga, H., Boussaid, F., Buntine, W. y Bennamoun, M. Redes neuronales bayesianas prácticas: un tutorial para usuarios de aprendizaje profundo. Cómputo IEEE. Intel. revista 17, 29 – 48 (2022).
Deng, C., Ji, X., Rainey, C., Zhang, J. y Lu, W. Integración del aprendizaje automático con el conocimiento humano. iCiencia 23, 101656 (2020).
Nickel, M., Murphy, K., Tresp, V. & Gabrilovich, E. Una revisión del aprendizaje automático relacional para gráficos de conocimiento. proc. IEEE 104, 11 – 33 (2016).
Adadi, A. & Berrada, M. Mirando dentro de la caja negra: una encuesta sobre inteligencia artificial explicable. IEEE Access 6, 52138 – 52160 (2018).
Gilpin, LH et al. Explicando explicaciones: una descripción general de la interpretabilidad del aprendizaje automático. En proc. 2018 IEEE 5.ª Conferencia internacional sobre ciencia de datos y análisis avanzado (DSAA) 80-89 (IEEE, 2018).
Linardatos, P., Papastefanopoulos, V. & Kotsiantis, S. AI explicable: una revisión de los métodos de interpretación del aprendizaje automático. Entropía 23, 18 (2021).
Lipton, ZC El mito de la interpretabilidad del modelo: en el aprendizaje automático, el concepto de interpretabilidad es importante y resbaladizo. Cola 16, 31 – 57 (2018).
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://www.nature.com/articles/s41565-022-01284-0