必要性和充分性引起的本地解释：统一理论和实践

Mar, 2021

必要性和充分性引起的本地解释：统一理论和实践

Local Explanations via Necessity and Sufficiency: Unifying Theory and Practice

David Watson, Limor Gultchin, Ankur Taly, Luciano Floridi

TL;DR在解释人工智能（XAI）这一快速发展的研究领域中，我们建立起必要性和充分性在 XAI 中的中心作用，通过逻辑、概率和因果关系的工作，将看似分散的方法统一到一个单一的形式框架中，并提供了一个可靠、完整的算法来计算与给定上下文相关的解释因素，展示了其灵活性和在各种任务上与最先进的替代方案的可比性。

Abstract

necessity and sufficiency are the building blocks of all successful explanations. Yet despite their importance, these notions have been conceptually underdeveloped and inconsistently applied in explainable artifi

necessity sufficiency explainable artificial intelligence formal framework explanatory factors

发现论文，激发创造

机器学习分类器解释中特征的必要性和相关性

该论文提出了解释机器学习模型预测的方法，同时讨论了相关性和必要性问题，证明了多个机器学习分类器的成员和困难性，并针对不同分类器提出了具体算法。实验结果表明所提算法的可扩展性较好。

Oct, 2022

可解释人工智能中因果关系的作用

通过研究文献，我们发现因果关系和可解释人工智能 (XAI) 是紧密联系的，彼此之间存在三种关系视角：缺乏因果关系限制了当前人工智能与可解释人工智能方法的发展，理想的解释形式的探索，以及因果关系作为可解释人工智能的先导，并通过从因果关系中借用概念、利用反事实以及将因果模型作为自我解释等方式进行研究。通过提供相关软件解决方案，我们为自动化因果任务提供了补充分析，并强调了因果关系和可解释人工智能领域之间的潜在领域桥梁和可能的限制。

Sep, 2023

科学解释与自然语言：用于可解释人工智能的统一认识论 - 语言学视角

通过系统分析自然语言解释、结合归纳和演绎论证、和哲学科学中的科学解释现代观念，探讨可解释 AI（XAI）中的可解释性，并揭示自然语言解释的本质，功能，抽象维度和科学解释的含义。

May, 2022

因果解释和可解释人工智能（XAI）

本文旨在通过正式定义充分解释和反事实解释的因果概念，为解释人工智能（XAI）提供可靠的行动指导解释，并阐述其在 AI 公平性中的意义。

Jan, 2022

剔除 XAI 中的 X：关于可理解人工智能的呼吁

深度神经网络的可解释性问题可以通过采用不同的科学解释模型，避免当前解释模糊性而产生的困惑，更有助于用 “可理解的人工智能” 标签避免 XAI 的混淆。

Mar, 2024

半真实 XAI 的先前工作、需求和基准

该论文调查了历史和最近在可解释人工智能 (XAI) 和半事实 (semi-factuals) 领域的突破，定义了半事实 XAI 的主要要求，并报告了历史算法的基准测试（以及一种新颖的，朴素的方法），为未来的算法发展提供了坚实的基础。