.png){kind=icon}
返回
Explainability and vision foundation models: A survey
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103184.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人工智能系统日益融入日常生活，可解释性领域已引起广泛关注。这一趋势主要由现代AI模型的复杂性和其决策过程的复杂性所驱动。基础模型的兴起，以其广泛泛化能力和涌现应用为特征，进一步加剧了这一领域的复杂性。在可解释性领域，基础模型处于模糊地位：其复杂性使其本质上难以解释，但它们正越来越多地被用作构建可解释模型的工具。在本综述中，我们探讨了视觉领域基础模型与可解释人工智能（XAI）的交叉点。我们首先汇编了连接这些领域的论文的综合语料库。接着，我们根据其架构特征对这些工作进行分类。随后，我们讨论了当前研究在将XAI整合到基础模型中所面临的挑战。此外，我们回顾了这些组合方法的常见评估方法。最后，我们呈现了本次综述的关键观察和见解，为这一快速发展的领域未来的研究方向提供了建议。
Keyword:
Interpretability
Explainability
XAI
Foundation models
Vision
Survey
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
Evaluating the Quality of Machine Learning Explanations: A Survey on Methods and Metrics评估机器学习解释的质量: 方法和度量的调查.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Sniffer: Multimodal Large Language Model for Explainable Out-of-Context Misinformation DetectionSniffer: 可解释的上下文错误信息检测的多模态大语言模型
PREAI
分享收藏"Why Should I Trust You?"“我为什么要相信你？”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Trade-Offs in Fine-Tuned Diffusion Models between Accuracy and Interpretability在微调扩散模型中准确性与可解释性之间的权衡
OAAI
OAAI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 ONEOAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容