ICMLMar, 2021

可解释机器学习：从神话到诊断

PDF
TL;DR本文综合了关于可解释机器学习（IML）方法和评估的基础研究，提出了可操作的分类法，并提出了一个三步骤的工作流程，以更好地使研究人员和客户合作，发现哪些方法对什么用例有用。同时，作者通过在分类法结果的基础上进行进一步研究，更好地满足客户对相关用例和研究人员对提出的方法的需求。
interpretable machine learningtaxonomyworkflowuse casesresearch
发现论文，激发创造
  • 可解释的机器学习 -- 简史、现状和挑战

    简述了解释性机器学习领域的发展历程，综述了最新的解释方法，讨论了挑战，提出了回归建模、基于规则的机器学习、敏感性分析、因果推断和社会科学等领域的启示。

    Oct, 2020

  • 可解释机器学习技术

    本文综述了提高可解释机器学习模型的技术，并讨论了未来研究的关键问题，如设计用户友好的解释和开发全面的评估指标，以进一步推动可解释机器学习的发展。

    Jul, 2018

  • 可解释机器学习中无基础真实性解释的评估

    本文系统地定义了评估 interpretable machine learning 方法的问题，并全面回顾了现有工作。作者提出了三个方面的解释（即泛化性、准确性和说服性），并分别回顾了不同任务下的代表性方法，设计了一个统一的评估框架，用于实践中的不同场景。

    Jul, 2019

  • 可解释的机器学习对于发现的统计挑战与机遇

    通过解释性机器学习，可以从大数据集中生成新的知识或进行发现，验证这些发现有助于提高机器学习系统的可信度和科学的可重复性。从实践和理论两个角度出发，我们讨论解释性机器学习的技术与挑战。

    Aug, 2023

  • 可解释机器学习的严格科学探索

    该研究论文旨在对可解释的机器学习进行定义和分类，并提出了一种更严谨的可解释机器学习科学评估方法的问题。

    Feb, 2017

  • 设计可解释的机器学习系统以增强可信的医疗人工智能：对过去十年的系统性回顾和提出的稳健框架

    AI 医疗技术对健康医疗产生重大影响，本文回顾了在医疗领域中可解释机器学习（IML）和可解释人工智能（XAI）的过程和挑战，着重关注质量控制，并针对实验结果阐明了健康医疗中稳健解释性的重要性，为创建可沟通的医生 - 人工智能工具提供了见解。

    Nov, 2023

  • 可解释的机器学习：基本原则和 10 大挑战

    本文旨在提供可解释机器学习的基本原则，解决常见误解，并识别了十个技术挑战领域，包括稀疏逻辑模型、神经网络中的监督和非监督可分离性、增强学习的解释性等。此次调查适用于对可解释机器学习感兴趣的统计学家和计算机科学家。

    Mar, 2021

  • 可解释的机器学习用于生存分析

    通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

    Mar, 2024

  • 医学影像机器学习可解释性框架

    医疗图像中机器学习模型的可解释性是一项重要的研究方向，本文通过对现实任务和目标进行推理，提出了可解释性的四个核心要素：定位，视觉识别能力，物理归属和透明度。通过形式化医疗图像领域的可解释性需求和具体目标，本研究为模型设计者和实践者提供了实用的教学资料，迫使医疗图像领域的模型开发者更深入地思考可解释性的实现，并提出了可解释性研究的未来方向。

    Oct, 2023

  • 从相关性到因果关系：将可解释机器学习形式化为统计过程

    介绍可解释的机器学习，将其与经典统计学相比较，并提出了三个关键问题，探讨可解释的机器学习在安全关键领域中的应用前景。

    Jul, 2022