Jan, 2020
通过与其解释交互使深度神经网络得到正确的科学原因
Making deep neural networks right for the right scientific reasons by interacting with their explanations
Patrick Schramowski, Wolfgang Stammer, Stefano Teso, Anna Brugger, Xiaoting Shao...
TL;DR该研究介绍了 “explanatory interactive learning”(XIL)的新型学习模式,并通过植物表型研究任务展示了它的好处,结果表明 XIL 可以帮助避免机器学习中的 “Clever Hans” 行为,鼓励或不鼓励对基础模型的信任。