May, 2024

抽象论证中的对立假设和半事实解释：形式基础、复杂性与计算

PDF
TL;DR该论文探讨了可解释人工智能和形式论证在抽象论证框架中的反事实和半事实推理，研究了其计算复杂性，并提供了通过 ASP 求解器的计算策略。
发现论文，激发创造
  • 即使解释：正式基础、优先级和复杂性

    对于可解释人工智能的半事实即使思考的局部事后解释性查询进行了研究，比较了不同类别的模型的计算复杂度，发现线性模型和基于树的模型比神经网络更具可解释性。然后引入了一种基于偏好的框架，使用户能够根据其偏好进行个性化解释，无论是在半事实还是对事实进行优化，增强了可解释性和用户中心性。最后，探索了所提出的基于偏好的框架中几个可解释性问题的复杂性，并提供了多项式情况下的算法。

    Jan, 2024

  • 生成深度学习的可信反事实和半事实解释

    研究提出一种新方法 PlausIble Exceptionality-based Contrastive Explanations (PIECE)，用于生成黑匣子 CNN 分类器的可信反事实和半事实，称其比文献中的其他方法生成最可信的反事实和半事实。

    Sep, 2020

  • 半真实 XAI 的先前工作、需求和基准

    该论文调查了历史和最近在可解释人工智能 (XAI) 和半事实 (semi-factuals) 领域的突破，定义了半事实 XAI 的主要要求，并报告了历史算法的基准测试（以及一种新颖的，朴素的方法），为未来的算法发展提供了坚实的基础。

    Jan, 2023

  • 明智选择数据：用于语义逆因果框架的方案

    本文提出一个利用知识图谱提供反事实解释的框架，并给出了一种计算该解释的算法，并 quantitatively 评估了该框架与用户研究。

    May, 2023

  • 带有 s (CASP) 的反事实解释生成

    自动决策的机器学习模型在贷款批准、预审保释、招聘等领域越来越普遍，但大多数模型是不透明的，无法揭示决策依据。本文专注于自动生成反事实解释的问题，采用了答案集规划和 s (CASP) 目标导向 ASP 系统。我们展示了如何计算和证明反事实解释，并通过想象多个可能的世界来导航解释间的关系。此外，我们还展示了如何利用我们的算法为无法满足查询的一类答案集程序找到 Craig 插值。

    Oct, 2023

  • 即便是从仅有的条件中获得的：以反事实为指导的最佳半事实性解释能否找到？

    通过在 7 个数据集上使用 5 个关键指标对 8 种半事实方法进行全面测试，确定是否需要使用反事实指导来找到最佳的半事实解释，结果表明不需要，而是计算决策空间的其他方面能够得到更好的半事实可解释性。

    Mar, 2024

  • 拒绝的多元半事实性解释

    本文提出利用半事实解释拒绝选项的概念模型，以实现机器学习中的可解释性，并通过实验对拒绝选项进行了评估。

    Jul, 2022

  • 可解释人工智能中的反事实和因果：理论、算法和应用

    本研究对可解释人工智能中反事实和因果关系的分类算法进行了系统考察，发现当前的模型无法促进因果性，提出了新的方向和挑战。

    Mar, 2021

  • 揭示反事实解释在就业能力的潜力

    本研究提出反事实解释在复杂机器学习算法下的应用，以数据实例展示其在雇用相关问题中提高决策支持、遵守法律要求、引导受控变更和分析新颖洞见的作用。

    May, 2023

  • 反事实推理的复杂度

    研究计算复杂性和结构因果模型条件下反事实推理的关系并指出，如果在完全指定的情况下关于结构因果模型的干预性推理是可行的，则反事实推理也是可行的。

    Nov, 2022