【Nature-MI】可解释人工智能的药物发现
深度学习在药物发现方面很有前景，包括高级图像分析、分子结构和功能的预测，以及具有定制属性的创新化学实体的自动生成。尽管有越来越多的成功的应用前景，但基本的数学模型仍然很难被人类的思维所解释。有一种“可解释的”深度学习方法的需求，以解决对分子科学机器语言新叙述的需求。这篇综述总结了可解释人工智能的最突出的算法概念，并预测了未来的机会，潜在的应用以及一些仍然存在的挑战。我们还希望它鼓励进一步努力发展和接受可解释的人工智能技术。
https://www.nature.com/articles/s42256-020-00236-4
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“AIDD” 可以获取《【【Nature-MI】可解释人工智能的药物发现》专知下载链接索引
登录查看更多
相关内容
一个可以解释的AI（Explainable AI, 简称XAI）或透明的AI（Transparent AI），其行为可以被人类容易理解。它与机器学习中“ 黑匣子 ” 的概念形成鲜明对比，这意味着复杂算法运作的“可解释性”，即使他们的设计者也无法解释人工智能为什么会做出具体决定。 XAI可用于实现社会解释的权利。有些人声称透明度很少是免费提供的，并且在人工智能的“智能”和透明度之间经常存在权衡; 随着AI系统内部复杂性的增加，这些权衡预计会变得更大。解释AI决策的技术挑战有时被称为可解释性问题。另一个考虑因素是信息（信息过载），因此，完全透明可能并不总是可行或甚至不需要。提供的信息量应根据利益相关者与智能系统的交互情况而有所不同。
https://www.darpa.mil/program/explainable-artificial-intelligence
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
3+阅读 · 2020年7月20日
Arxiv
8+阅读 · 2018年4月26日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
3+阅读 · 2020年7月20日
Arxiv
8+阅读 · 2018年4月26日
微信扫码咨询专知VIP会员