.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
理解学习分类器的行为是一项重要任务，已提出各种黑箱解释、逻辑推理方法和模型特定方法。本文引入了概率充分解释，将解释一个分类实例表述为选择“最简单”的特征子集，使得仅观察这些特征“足以”解释分类。也就是说，能够为我们提供强大的概率保证，即在其他所有特征在数据分布下被观察时，模型的行为将相似。此外，我们利用可处理的概率推理工具（如概率电路和期望预测）来设计一种可扩展的算法，以找到所需的解释并保持保证不变。我们的实验证明了该算法在寻找充分解释方面的有效性，并展示了其相较于Anchors和逻辑解释的优势。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息