.png){kind=icon}
返回
A Configurable Framework for Quantifying and Comparing Interpretability Across ML Models and Methods
.png){kind=icon}
OA
AI
DOI：10.3390/make8080250.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型在从医疗保健到自主系统等领域的应用取得了显著成功。然而，其内在的复杂性常常掩盖了决策背后的推理过程，削弱了透明度、问责制和用户信任。加剧这一问题的原因是缺乏一种通用的方法论来比较和排序不同机器学习模型及可解释性技术的可解释性。本文通过引入一套可配置的定量指标框架来评估和排序可解释性，以填补这一空白。我们的方法为评估模型清晰度、决策逻辑和可访问性提供了结构化的启发式基础，使从业者能够系统地比较不同算法和技术的可解释性。这些得分旨在作为比较的实用、领域可配置的启发式指南，而非可解释性的通用概念。
Keyword:
explainable artificial intelligence (XAI)
interpretability metrics
interpretability ranking
期刊
M
IF:
6
论文数:
879
被引数:
1.8K
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏Steering the interpretability of decision trees using lasso regression - an evolutionary perspective
PREAI
分享收藏
查看更多内容