Jan, 2022

基于子目标的不可靠智能决策支持系统解释

PDF
TL;DR本文研究了面向新手用户的非稳健智能决策支持系统的互动，介绍了一种新颖的基于子目标的解释类型，即补充传统智能决策支持系统输出的信息，以提高用户任务表现和系统的鲁棒性。研究表明，基于子目标的解释可实现更好的用户任务表现、提高用户区分优化和非优化智能决策支持推荐的能力、得到用户的喜爱，并在智能决策支持系统失灵的情况下实现更加鲁棒的用户表现。
intelligent decision supportexplainable ai planningsubgoal-based explanationsuser task performancerobust user performance
发现论文，激发创造
  • AI 规划器决策的解释方法探讨

    为了建立对 AI 的信任，实现透明化且易懂的 AI 系统成为了重要问题，本文提出了一种通过 AI Planning 实现初步解释的方法，并实现在新的 XAI-Plan 框架中。

    Oct, 2018

  • 基于论证的方法解释智能体中的目标选择

    本文提出了一种基于论证的方法，用于为可解释的人工智能系统生成关于其行动选择过程的解释，并附加有关冲突解决的信息；我们还应用该方法于清洁工作场景。

    Sep, 2020

  • 面向成功用户决策支持的动态解释选择与可解释人工智能

    该研究论文提出了一种名为 X-Selector 的方法，用于动态选择可解释的人工智能决策支持系统中的解释，以引导用户做出更好的决策。通过与两种幼稚策略和两种基准策略进行比较，结果表明 X-Selector 在高人工智能准确性时能够引导用户做出推荐决策并提高性能，在低人工智能准确性时则面临挑战。

    Feb, 2024

  • 可解释的入侵检测系统 (X-IDS)：当前方法、挑战和机会的调查

    应用人工智能和机器学习于网络安全已有广泛应用，特别是使用深度学习技术设计的 IDS. 然而，这些系统被视为黑盒模型，无法提供预测的合理解释。因此，需要设计可解释的 IDS，调查了可解释 AI 的现状，并提出了一种人们参与的通用架构，以用作设计 X-IDS 的指导

    Jul, 2022

  • 可解释的人工智能已死，长命可解释的人工智能！基于假设的决策支持

    本篇论文主张从现有的可解释人工智能 (XAI) 模型转变到基于评价的人工智能 (Evaluative AI) 以减轻提供推荐的对人类决策制定的限制和不对人类决策制定的认知过程考虑不足带来的问题，并更好地利用人类决策制定的专业知识。

    Feb, 2023

  • 可解释的目标导向智能体和机器人 —— 综合评述

    该文章重点讨论解释目标驱动型智能代理人和机器人的方法，强调透明度、可理解性和持续学习的策略。它提出了可行的目标驱动可解释代理人和机器人的实现路径和要求。

    Apr, 2020

  • 以解释为基础的决策：关于可解释人工智能在辅助决策中的角色的人类中心评估

    最近的实证研究调查了可解释人工智能对人工智能决策的影响，识别了挑战并提出未来的研究方向。

    Dec, 2023

  • 关于调和可用性和实用性的可解释人工智能方法

    本论文以自动驾驶汽车为研究对象，研究了四种常见的可解释人工智能方法，即决策树、文本、程序和图示。研究表明，参与者倾向于使用语言解释，但通过决策树解释更能客观地理解汽车的决策过程，并且结果显示，计算机科学经验和观察汽车成功或失败的情况可以影响解释的感知和有用性，因此本研究提出，设计 XAI 系统必须考虑用户的特定需求和情境因素。

    Jan, 2023

  • 人工智能系统中的解释原则

    本文探讨了人类尺度的设计、测试和实现 Explainable Artificial Intelligence 的基本概念，并提出了一种 “自解释指南” 的方法，以帮助开发人员了解如何通过启用自解释来赋能用户。最后，提出了一套经过实证基础、以用户为中心的设计原则，可以指导开发人员创建成功的解释系统。

    Feb, 2021

  • 可解释人工智能方法：一项调查

    该研究演示了可解释人工智能的多种方法，并与信用违约预测等任务进行了比较，提出了定量解释性的有意义见解，为开发负责任或以人为中心的 AI 系统提供方向和未来研究方向，有助于在高风险应用中采用 AI。

    Jan, 2021