Jun, 2022

基于过程知识注入的人工智能：走向用户可解释性、可解读性和安全性

PDF
TL;DRAI 系统需要遵循专家制定的指导方针和流程，使用过程知识和领域知识，并提供用户可理解的解释，以在高价值、敏感或安全关键的应用程序中获得信任和信心.
ai systemsguidelinesprocess knowledgedomain knowledgeuser-understandable explanations
发现论文，激发创造
  • 基于过程知识融合的社交媒体自杀风险评估学习

    通过引入、形式化和发展一个新的人工智能（AI）范式 —— 流程知识注入学习（PK-iL），大幅提高了深度学习算法的性能和自然语言解释能力，并为人类在现实世界中采用此技术提供了帮助。该方法构建了一个结构化的过程知识框架，明确解释了生成预测结果的底层过程，并在人类参与的定量人类评估中显示出竞争水平。

    Apr, 2022

  • 构建医学领域可解释的 AI 系统需要什么？

    本篇论文介绍了医学领域中解释性人工智能的研究，强调让人们能够透明地理解和信任 AI/ML 技术的重要性，主要关注于图像、* 组学数据和文本三个方面。

    Dec, 2017

  • 人工智能在协同工作中可解释性和可接受性要求

    该论文探讨了需求透明度和可接受性以建立人类对 AI 的信赖感，具体介绍了开发者和最终用户在信息需求方面的差异以及信任在人工智能系统中的作用。

    Jun, 2023

  • 可解释人工智能（XAI）综述：面向医疗 XAI

    这篇论文概述了解释机器学习算法决策的不同方法，并将它们应用到医学研究中，以提高医生对这些算法的信任度。

    Jul, 2019

  • 可解释的人工智能在医疗保健中的简要回顾

    本文系统地评估了透明度和可解释性在医疗保健领域中的重要性和相关的机器学习模型。通过六种不同的方法探讨了 XAI 的各个方面和挑战，并探明了其在解决医疗保健领域中存在的问题方面所起到的重要作用。

    Apr, 2023

  • 可解释的人工智能用于过程建模的改进

    通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

    Dec, 2022

  • 灵活和上下文特定的 AI 可解释性：一种多学科方法

    该论文提出了一个框架，结合了技术、法律和经济因素，以定义在特定情境下的 “适当” 的解释水平，包括观众、操作环境、系统可能造成的伤害级别和法律 / 监管框架等主要情境因素，并提出了与此相关的社会效益。同时，论文还探讨了可用的技术工具，选择全局和局部解释输出的正确水平，并强调了解释只有在总社会效益大于成本时才具有社会价值。

    Mar, 2020

  • 医疗领域中的可解释人工智能应用：系统综述

    近年来，医疗人工智能领域已取得显著进展，但面临着建立用户信任、符合法规和合乎道德使用数据等挑战。这篇论文针对代表性样本中的 198 篇文章对医疗决策支持的可解释人工智能解决方案进行了文献综述，发现大多数解决方案采用了模型无关的可解释人工智能技术，深度学习模型被广泛应用，用户界面的可视化和交互更有助于理解解释和系统推荐。在医疗和人工智能专家之间加强合作，以指导可解释人工智能解决方案在医学领域的设计、实施和评估，仍需要开展更多的研究。

    Aug, 2023

  • 企业流程中的人工智能信任：对过程感知解释的需求

    这篇研究论文讨论了如何将人工智能技术，如机器学习和深度学习，应用于企业业务流程管理，以提高效率和客户体验，并呼吁 BPM 社区构建能够向商业用户解释 AI 模型结果的解释性方法。

    Jan, 2020

  • 机器学习在食品加工、农业和卫生应用中的可解释性与可访问性

    本文回顾了在全球问题背景下，针对农业、食品加工和医疗健康等领域的机器学习可解释性和可访问性方面所做的工作，涵盖了科学和数学解释，统计解释和部分语义解释等多个方面

    Nov, 2022