最新《可解释深度学习XDL》2020研究进展综述大全，54页pdf

深度神经网络(DNN)是实现人类在许多学习任务上的水平的不可缺少的机器学习工具。然而，由于其黑箱特性，很难理解输入数据的哪些方面驱动了网络的决策。在现实世界中，人类需要根据输出的dna做出可操作的决定。这种决策支持系统可以在关键领域找到，如立法、执法等。重要的是，做出高层决策的人员能够确保DNN决策是由数据特征的组合驱动的，这些数据特征在决策支持系统的部署上下文中是适当的，并且所做的决策在法律上或伦理上是可辩护的。由于DNN技术发展的惊人速度，解释DNN决策过程的新方法和研究已经发展成为一个活跃的研究领域。在定义什么是能够解释深度学习系统的行为和评估系统的“解释能力”时所存在的普遍困惑，进一步加剧了这种复杂性。为了缓解这一问题，本文提供了一个“领域指南”，为那些在该领域没有经验的人提供深度学习解释能力指南: i)讨论了研究人员在可解释性研究中增强的深度学习系统的特征，ii)将可解释性放在其他相关的深度学习研究领域的背景下，iii)介绍了定义基础方法空间的三个简单维度。

https://arxiv.org/abs/2004.14545

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“XDL” 就可以获取《最新《可解释深度学习XDL》2020研究进展综述大全，54页pdf》专知下载链接

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专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源