LaPLACE：概率局部模型无偏因果解释

Oct, 2023

LaPLACE：概率局部模型无偏因果解释

LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations

Sein Minn

TL;DR利用 LaPLACE-explainer 方法，在表格数据上提供任何分类器的概率因果解释，无需事先确定解释的顶级特征数量 N，通过条件概率的引入，实现概率因果解释，并在局部准确性和解释特征的一致性方面优于 LIME 和 SHAP。

Abstract

machine learning models have undeniably achieved impressive performance across a range of applications. However, their often perceived black-box nature, and lack of transparency in decision-making, have raised concerns about understanding their predictions. To tackle this challenge, re

machine learning models explanations laplace-explainer probabilistic cause-and-effect classifier

发现论文，激发创造

CALIME：基于因果关系的本地可解释模型无关解释

本篇论文提出一种新颖的扩展方法，将因果关系显式编码进生成输入实例的数据以解释增加信任度和帮助用户评估解释质量的 XAI 方法，并通过实验表明该方法对于拟合黑匣子和解释稳定性均达到了比初始方法更优越的表现。

Dec, 2022

机器学习模型的本地可解释模型无关 Shap 解释

提出了一种称为 LIMASE 的局部可解释模型无关 Shap 说明法，该方法使用 Shapley 值来解释任何模型的预测，提供局部和全局可解释的解释，解决子模块优化问题，为地区解释带来见解，并在与内核解释器相比计算更快。

Oct, 2022

为什么我应该信任你？": 解释任何分类器的预测

本文提出了一种可解释性的机器学习算法解释技术 ——LIME，基于该技术可以在一个可解释且可靠的小规模模型内对任何分类器的预测进行解释，从而提高了可信度和可理解性，实现了对于信任度的估计及诸多信任场景的适用性。

Feb, 2016

概率逻辑编程中的解释解释

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

机器学习解释的艺术与科学

本文讨论超越传统误差测量和图形评估机器学习模型的几种通用的解释方法，包括决策树模型、个体条件期望、局部可解释模型无关解释、偏置度量图和 Shapley 解释；并提供现实应用建议和公共软件示例以复现性检验。

Oct, 2018

MaNtLE：无需模型的自然语言解释器

本文介绍了 MaNtLE，一个模型无关的自然语言解释器，在结构化分类任务中分析多个分类器预测，并生成忠实的自然语言解释器，模拟的用户研究表明，MaNtLE 生成的解释器平均比 LIME 和 Anchors 解释器忠实度高至少 11％。

May, 2023

黑盒决策系统的本地基于规则的解释

本文提出了一种名为 LORE 的黑匣子探明方法，能够从逻辑和反事实规则两个层面解释黑匣子机器学习模型的决策原因，从而提高其在社会敏感和安全关键环境中的可用性和透明度。

May, 2018

局部最小概率解释

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

黑匣子模型的全局局部解释

本研究提出了一种名为 GALE 的机器学习模型，旨在提供有关模型全局决策过程的洞见。结果表明，聚合方法的选择很重要，我们的提出的聚合方法能更好地代表特征如何影响模型的预测，并通过识别区分性特征提供全局洞见。

Jul, 2019

模型无关的监督式本地解释

MAPLE 是一种新颖的模型解释系统，使用局部线性建模技术和随机森林的双重解释，提供黑盒解释，并兼具高精度的预测模型和优越的局部解释能力。

Jul, 2018