Sep, 2023

关于 XAIxArt 的禁令

PDF
TL;DR解释性人工智能与艺术（XAIxArt）交叉领域涉及的一系列问题是该论文的重点，通过一系列次问题，指出 “解释” 和 “相关解释” 存在的模糊性。拒绝了 “解释” 和 “相关解释”，该论文认为 XAIxArt 是人类中心主义对艺术的不安全感以及对过时的创作权和人类主体性懷旧欲望的症状。为了证明这一立场，该论文将解释模型从装饰模型转变为意义生成模型。
发现论文，激发创造
  • 首届面向艺术的可解释人工智能国际研讨会论文集 (XAIxArts)

    第一届可解释 AI 艺术国际研讨会旨在探索可解释 AI 对艺术的作用，聚集了人机交互、交互设计、AI、可解释 AI 和数字艺术等领域的研究人员。

    Oct, 2023

  • 第二届可解释性人工智能与艺术国际研讨会论文集 (XAIxArts)

    探索 XAI 在艺术领域的作用，汇集了 HCI、交互设计、人工智能、可解释人工智能 (XAI) 和数字艺术方面的研究者的社区。

    Jun, 2024

  • 解释问题而非辩解

    解释性人工智能（XAI）是一个年轻但非常有前景的研究领域。在本文中，我们将 XAI 领域内纷繁复杂的目标分为两种互补的文化：人 / 价值导向的解释（蓝色 XAI）和模型 / 验证导向的解释（红色 XAI）。我们还指出，红色 XAI 领域目前尚未得到充分开发，其中蕴藏着巨大的机遇和重要研究潜力，以确保人工智能系统的安全。最后，我们提出了该领域中有希望挑战面的展望。

    Feb, 2024

  • 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

  • 超越可解释人工智能：面向负责任人工智能的障碍

    透明度、可理解性和责任 AI 的局限性以及其与隐私、公平性和争议性等重要方面的联系。

    Sep, 2023

  • 回顾解释型人工智能的需求 (xAI)

    本文对可解释性人工智能的相关文献进行了系统回顾，发现了四个主题性讨论，旨在推动可解释性人工智能领域的研究进一步深入发展。

    Dec, 2020

  • 可解释化人工智能并未提供最终用户所要求的解释

    阐释可解释的人工智能（XAI）技术应用于复杂模型的机器学习系统中，以增强其透明度与验证，从而取得用户的信任。然而，XAI 在部署上存在局限性，因此透明度和严格验证更适合在获取人工智能系统信任时使用。

    Jan, 2023

  • 解释性人工智能（XAI）中的虚假安全感

    通过分析有关 AI 规定和政策的立法进展，本研究讨论了可解释性人工智能（XAI）的技术现状及其对 AI 治理的潜在威胁，指出需要明确、合理的立法和政策以解决 AI 解释能力的问题。

    May, 2024

  • 音乐演奏中基于上下文的 XAI 方法

    通过定制化解释并根据反馈不断完善，提出了一种适用于音乐表演的可解释人工智能框架，强调了背景和受众在解释需求开发中的重要性，为提升广泛艺术应用和音乐表演中人工智能系统的透明度和可解释性提供了一个有前景的方向。

    Sep, 2023

  • 可解释人工智能 (XAI) 中的机遇与挑战：一份调查

    本文介绍了深度学习中可解释人工智能技术（XAI），提出了技术分类法并介绍了方法学、范畴和应用层次等主要原则，旨在建立可信、可解释和自说明的深度学习模型。此外，通过八种不同的可解释人工智能算法对图像数据进行了评估，讨论了这种方法的局限性，并提出了未来改进的潜在方向。

    Jun, 2020