.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
机器学习分类模型正日益支持教育、医学和金融等多个领域的人类专家。然而，分类模型的复杂性，尤其是深度神经网络的复杂性，使得专家难以理解其内部工作机制。通过提供透明且易于理解的模型预测解释，可解释人工智能（XAI）旨在解决这一问题，从而建立用户信任。一种显著的基于事后分析的XAI方法——通过子空间解释理解模型（MUSE），试图通过分析模型在不同子空间中的行为来解释黑箱模型。然而，该方法存在一些局限性，主要是实例级解释的可解释性较差。为解决此问题，我们提出了一种名为闭频繁项集解释（CFIE）的解释方法。通过从数据中提取闭频繁项集，CFIE生成紧凑的基于规则的解释，从而增强实例和类的可解释性。与MUSE相比，我们的方法在保持高保真度的同时提高了可解释性。在真实数据集上的实验评估表明，CFIE生成的解释比当前增强保真度-可解释性权衡的先进方法更具可解释性。
Keyword:
Explainable Artificial Intelligence
Post-hoc Explanation
Rule-based Explanation
Closed Frequent Itemsets
期刊
A
IF:
0
论文数:
33
被引数:
0
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.png)
OAAI
ElectronicsIF0
OAAI.png){kind=icon}
分享.png){kind=icon}
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
分享收藏分享收藏分享收藏
查看更多内容