研究了分类器的决策规律,提出了两种解释的方法:有支撑和对比解释。当处理非二分特征时,这些解释会受到显著影响,在此基础上,提出了一种新的完备原因的概念及其量化运算符。
Apr, 2023
基于可解释的概率逻辑编程和查询驱动的推理机制,本研究提出一种解释解释的方法,以使黑盒人工智能系统的解释更易理解。
Jan, 2024
论文解决了决策树上计算 δ 足够原因的计算复杂度,发现在包含方式和大小方面都不具有多项式时间算法,但在确定性情况下具有易于计算的特点。
Jun, 2022
本文研究布尔决策树在导出、最小化和计数足够原因和对比解释方面的计算能力,证明了给定决策树的实例的最小大小的所有足够原因集合可以指数级大于输入大小,因此生成完整的足够原因集合可能是不可行的,而生成一个足够原因集无法证明是充分的,介绍了相关特征和必要特征的概念以及解释重要性的概念,并展示了如何通过一个模型计数操作获取特征重要性和足够原因的数量,最后表明,与足够的理由不同,决策树给定实例的所有对比解释可以在多项式时间内导出、最小化和计数。
Aug, 2021
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
探索实用于广泛使用的决策树、朴素贝叶斯分类器和命题语言的几个家族更好地计算超过给定阈值的目标类的相关集,证实了这些类别的相对简洁的相关特征集可以很容易地获得。
Dec, 2022
设计了一种有效算法来解释黑盒模型的预测结果,该算法通过隐式学习决策树,满足精确度和简洁性需求,并结合全局和局部解释方法
Nov, 2021
本文介绍了决策的完整原因的概念和应用,并研究了其计算方法,包括多类决策树和带有名义和数值特征的图形的完整原因的计算、最短必要和充分原因算法的探讨。
Mar, 2022
本文提出了一种局部解释框架,使用简单的实例后向选择方法,寻找足够的输入子集以识别决策的最小特征子集,并展示其在各种神经网络模型上的实用性。
Oct, 2018
提出了一种新的高效算法,用于计算近似概率诱导解释(PXAps),这些解释在实践中提供了高质量的概率诱导解释(PXAps),实验证明了所提算法的实际效率。
Dec, 2023