.png){kind=icon}
返回
Validating Explainer Methods: A Functionally Grounded Approach for Numerical Forecasting
.png){kind=icon}
OA
AI
DOI：10.1002/for.70060.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测系统在提供附带解释的输出方面有着悠久传统。尽管绝大多数此类解释依赖于固有可解释的线性统计模型，研究已提出可解释人工智能（XAI）方法以提高非线性机器学习模型的可理解性。由于与预测相关的解释构成了预测系统的重要构建模块，解释器方法的验证是系统选择、参数化及采用的关键部分。当前对解释器方法评估的研究侧重于分类指标而非数值预测，并且主要在耗时、昂贵且主观的人类参与研究中评估解释质量。鉴于解释的功能性验证对预测研究至关重要，本文做出三方面贡献：首先，我们建立了一种基于功能基础的解释器方法验证方法用于数值预测。其次，我们提出了计算规则以衡量指标的一致性、稳定性与忠实性。第三，我们以能源基准的电力需求估计预测案例展示该方法，并将线性统计方法与最先进的XAI方法Shapley加性解释（SHAP）、可解释局部模型无关解释（LIME）及可解释提升机（EBM）进行比较。我们的工作使研究与实践能够在功能基础上验证和比较解释器方法的质量。
Keyword:
explainable artificial intelligence
explainer method validation
explanation quality
interpretable machine learning
numerical forecasting
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
