causal explanations | BriefGPT

关键词causal explanations

搜索结果 - 10

SIG: 高效可自解释的连续时间动态图神经网络
针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了
PDFa month ago
使用因果关系线索解释动态系统中的变化
我们探索开发系统的丰富语义模型，特别是考虑到这些系统中状态变化的结构化因果解释。我们正在开发基于过程的动态知识图，以构建以 Snowball Earth 理论提出的地质变化的因果线索为例，并描述了一个用于呈现解释的图形界面的早期原型。与统计
PDF7 months ago
利用生成的 LLM 的反事实文本来解释黑盒 NLP 模型
解释自然语言处理系统预测的因果解释对于确保安全性和建立信任至关重要，本文提出了两种针对模型无关性的倒因果估算方法，分别基于生成和匹配，并通过实验证明了生成模型和匹配模型在模型解释方面的出色性能。
PDF9 months ago
随机序列多智能体决策的因果社交解释
我们提出一个新颖的框架，用于在随机序列多智能体环境中为智能体的决策提供因果解释，通过自然语言交流回答广泛的用户查询，涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图，而是依赖于相互作用的生成模型来模拟反事实世界，从而识别决策背
PDFa year ago
可解释性特征：用户如何理解 XAI 中分类型和连续特征的因果和反事实解释
通过对 127 名志愿者进行对照实验，本研究探讨了因果和反事实解释对于用户预测简单 AI 系统决策的效果及其对解释的满意程度和信任度。发现反事实解释相对于没有说明的控制描述，但没有比因果解释更高的准确性；但反事实解释比因果解释更能满足用户的
PDF2 years ago
为什么失败了？一种因果推理方法寻找机器人失败的解释
本文提出了一种新方法以解决机器人失败后向用户提供直观的因果解释，其利用生成对比性解释的方式，基于来自贝叶斯网络的因果模型，并在两个场景中测试了其准确性。
PDF2 years ago
CVPROrphicX：一种因果灵感潜变量模型，用于解释图神经网络
提出一种名为 OrphicX 的新的解释框架，用于基于学习的潜在因果因素为任何图神经网络（GNN）生成因果解释，该框架与任何 GNN 兼容，不需要访问目标 GNN 生成其预测的过程，无需先验知识，并证明了其优于其他解释方法。
PDF2 years ago
因果解释和可解释人工智能（XAI）
本文旨在通过正式定义充分解释和反事实解释的因果概念，为解释人工智能（XAI）提供可靠的行动指导解释，并阐述其在 AI 公平性中的意义。
PDF2 years ago
黑匣子分类器生成因果解释
通过利用生成式模型和因果影响信息论度量，我们开发了一种方法，用于生成关于黑盒分类器的因果事后解释，方法可以学习低维度的数据表示。我们的方法学习全局和局部的解释，适用于任何具有类概率和梯度的分类器，并且不需要标记的属性或因果结构的知识。
PDF4 years ago
EMNLP社交媒体上的因果解释分析
本文探讨了通过采用语篇分析构建自动化分析因果关系解释的方法，包括因果关系检测和因果解释识别，展示了完整流水线的应用程序，并探讨了在社交媒体上进行自动化分析的应用领域。
PDF6 years ago