Sep, 2020

度量效用、赢得信任：XAI 研究员的实用建议

PDF
TL;DR机器学习模型解释学（即可解释性 AI）的研究与深度人工神经网络同步呈指数增长，但传统的信任和解释却太狭隘，导致研究社区被误导。该研究提出了一种实用的解决方案，建议研究人员关注机器学习解释的实用性而非信任，提出五种广泛的用例，并为每种情况描述可依靠客观经验测量和可证伪假设的伪实验。该实验严谨的处理方法将对 XAI 领域的科学知识的进一步贡献是必要的。
machine learningexplainable aiexplanationsutilityscientific knowledge
发现论文，激发创造
  • 信任与否：衡量 XAI 系统信任的一种新方法

    本文提出了一种衡量用户对 XAI 系统的信任的新方法，结合了性能指标和信任指标，并在真实医学场景中进行了肺炎检测实验来验证该方法。

    May, 2024

  • 使用形式化方法证明 XAI 神话 -- 初步结果

    这篇研究论文探讨了可解释人工智能的重要性以及存在的困境和误解，通过形式化方法来反驳这些误解并提出实际有效的替代方法。

    May, 2023

  • 评估流行的可解释人工智能在临床预测模型中的应用：能否信赖？

    本研究旨在评估两种流行的可解释人工智能方法在医疗保健背景下解释预测模型的精确度，重点考虑是否产生与应用任务相一致的域适当表示，如何影响临床工作流程以及是否一致性，结果表明目前的技术还有改进的空间。

    Jun, 2023

  • 可解释化人工智能并未提供最终用户所要求的解释

    阐释可解释的人工智能（XAI）技术应用于复杂模型的机器学习系统中，以增强其透明度与验证，从而取得用户的信任。然而，XAI 在部署上存在局限性，因此透明度和严格验证更适合在获取人工智能系统信任时使用。

    Jan, 2023

  • 可解释人工智能分析和设计的多组件框架

    这篇论文讨论了符合科学历史的可解释人工智能 (XAI) 的框架问题，其原因追溯至现代机器学习（尤其是深度和强化学习）和对创造值得信赖的 AI 系统的关注，它的五个级别框架是 XAI 的关键组成部分。

    May, 2020

  • TRUST XAI: 模型无关的人工智能解释及工业物联网安全案例研究

    提出了一种通用的解释型 AI 模型 TRUST，采用因子分析、互信息和多模态高斯分布等方法，用于解释海量数字数据应用中黑盒子型 AI 的输出，案例研究表明该模型在工业物联网网络安全领域表现良好，对新的样本的解释成功率平均可达到 98%，且在性能、速度和解释方式等方面优于流行的 LIME 模型。

    May, 2022

  • 解释解释：机器学习的可解释性概述

    有关解释人工智能的最佳实践和挑战的调查表明，现有的解释方法尤其是对于深度神经网络而言不足以提供算法的公正性、数据偏见和性能。

    May, 2018

  • 可解释性方法评估的实验研究

    本文比较了 14 个不同的评估指标在 9 种最先进的 XAI 方法和 3 种用作参考的虚拟方法（如随机显著性图）上的应用结果，结果表明其中一些指标会产生高度相关的结果，还展示了基准超参数变化对评估指标值的显著影响，最后使用虚拟方法评估指标的可靠性及其排名方面的限制。

    May, 2023

  • 可解释人工智能的度量：挑战与前景

    本文研究解释型人工智能（XAI）的性能评估，包括解释质量、用户满意度、用户对人工智能系统的理解度、好奇心的激发、信任及依赖程度以及人机协同的表现。根据广泛的研究文献和心理测量评估结果，提出相应的方法和建议。

    Dec, 2018

  • 一种生成带有 XAI 地面真实性数据集的方法，以评估图像模型的新方法

    本研究提出了一种生成具有真实标准数据集的新方法来衡量可解释人工智能的解释质量，并通过实验证明了该方法的正确性。

    Feb, 2023