On Explaining Classifiers using Instance Abstractions

doi:10.1007/s11245-025-10336-8

On Explaining Classifiers using Instance Abstractions

2026-01-01

0

PRE

AI

DOI：10.1007/s11245-025-10336-8

原文链接

原文求助

摘要

En 中文

人工智能文献中广泛研究了两种用于解释分类器决策的解释类型。第一种解释说明为何做出决策，被称为决策的充分理由；第二种解释说明如何改变决策，被称为决策的必要理由。早期研究显示，这两种解释类型对应于完整理由（分类器输入即实例的条件，对决策既是充分的又是必要的）的两种特定句法形式。近期，我们证明当存在非二元特征时，完整理由的一种松弛形式——称为一般理由——包含更多关于决策和底层分类器的信息，可用于制定概括充分和必要理由的解释。我们基于将完整理由和一般理由视为“实例抽象”的观点，对这些早期结果进行了重构和总结。我们还进一步研究了这种一般理由抽象，展示了它如何能提供关于决策和分类器的信息，超越先前已识别的内容。我们的研究将为人工智能可解释性领域的现代工作奠定两大支柱：源自哲学中某些表述形式的充分和必要逻辑条件，以及主要在计算机科学中发展的最小句法形式（条件）。

Keyword:

Instance Abstractions

Explainable AI

Prime Implicants/Implicates

Discrete Logic

On Explaining Classifiers using Instance Abstractions

摘要

期刊

机构