Feb, 2024

揭开黑匣子：遥感中可解释人工智能的系统综述

PDF
TL;DR近年来，黑盒机器学习方法已成为遥感领域知识提取的主要建模范式。本文通过系统回顾，总结了遥感应用中可解释人工智能方法的使用趋势、发现和挑战，并揭示了解释解析的常见模式，提供了该领域的最新综述和未来研究方向的基础。
black-box machine learningknowledge extractionexplainable airemote sensingmethodological development
发现论文，激发创造
  • 可解释的地球观测人工智能：现有方法、开放性挑战与机遇

    深度学习在遥感数据分析等领域取得了巨大进展，但由于神经网络在解释性上的缺陷，对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题，用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织，介绍了可解释遥感影像分析领域的最新发展。

    Nov, 2023

  • 机器 / 深度学习软件工程研究中可解释性的系统文献综述

    通过系统文献综述，本文旨在阐述在软件工程 (Software Engineering) 领域中提高人工智能模型可解释性的方法，并总结了已有研究的挑战和未来的研究方向。

    Jan, 2024

  • 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

  • 遥感图像分类的一次属性可解释人工智能方法的定量分析

    本文通过量化评估解释性人工智能技术对遥感图像分类的影响，深入分析了不同类型模型选用 XAI 方法所获得的结果，提供了选择最合适的解释性方法来了解模型决策过程的建议和见解。

    Jun, 2023

  • 可解释人工智能在地球系统科学中的应用

    近年来，人工智能迅速加速其影响力，如果得到恰当利用，将促进地球系统科学的发展。解释性人工智能（XAI）提供了一套强大的工具，可以使模型更加透明。本文旨在为地球系统科学学者提供对 XAI 的基本理解，作为未来研究进展的基础，并鼓励地球系统科学专业人员接受人工智能的好处，克服解释性不足带来的偏见。希望通过融合 AI 和领域特定知识的可解释性混合方法来增强人工智能在地球系统科学中的实用性。

    Jun, 2024

  • 扩展基于 CAM 的遥感图像分割的可解释人工智能方法

    通过适应最近的 XAI 分类算法并将它们用于多类别图像分割，本文着重于对高分辨率卫星图像中的建筑物分割的研究，引入了一种基于 “熵” 来衡量模型不确定性的新的 XAI 评估方法和指标，以此来提供透明度和可解释性，为图像分割领域的 XAI 研究和遥感应用铺平道路。

    Oct, 2023

  • 可解释人工智能（XAI）在物联网中的应用调查

    本文针对黑盒子人工智能模型存在的不可解释性问题，在物联网领域提供了一些可解释的人工智能模型的系统性研究和分类，同时探讨了一些挑战性问题和未解决问题，并给出了未来发展方向。

    Jun, 2022

  • 网络安全可解释人工智能调查

    通过对网络系统中的网络驱动安全威胁和问题进行系统分类，本文就网络安全中的可解释人工智能问题进行了回顾和研究，探讨了解释人工智能目前的挑战和局限性，并提出了未来的研究方向。

    Mar, 2023

  • 监督式机器学习可解释性调查

    该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

    Nov, 2020

  • 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