深度学习模型可解释性的研究进展

深度学习在很多人工智能应用领域中取得成功的关键原因在于，通过复杂的深层网络模型从海量数据中学习丰富的知识。然而，深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果，造成深度学习模型的不可解释性，从而限制了模型的实际部署。因此，亟需提高深度学习模型的可解释性，使模型透明化，以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研，从可解释性原理的角度对现有方法进行分类，并且结合可解释性方法在人工智能领域的实际应用，分析目前可解释性研究存在的问题，以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。

http://jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20200302&flag=1

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DLX” 可以获取《深度学习模型可解释性的研究进展》专知下载链接索引

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料