Jun, 2024
具备解释识别结果能力的人工智能架构
An AI Architecture with the Capability to Explain Recognition Results
Paul Whitten, Francis Wolff, Chris Papachristou
TL;DR机器学习结果的可解释性需要建立信心；对权重进行解释的方法不足以用简单的术语解释决策；可解释的属性系统提供了术语解释，但表现不如不可解释的机器学习方法；本研究侧重于解释性指标的重要性，提出了两种能够提高性能的方法：第一种方法引入可解释性与不可解释性流程相结合，并提出了一个刻画决策可解释性的指标；第二种方法比较了用于估计系统中神经网络效果的经典指标，并提出了一种新的效果最佳的指标；本文展示了新方法的结果和手写数据集的示例。