会员服务
广义上的可解释性指在我们需要了解或解决一件事情的时候，我们可以获得我们所需要的足够的可以理解的信息，也就是说一个人能够持续预测模型结果的程度。按照可解释性方法进行的过程进行划分的话，大概可以划分为三个大类： 在建模之前的可解释性方法，建立本身具备可解释性的模型，在建模之后使用可解释性方法对模型作出解释。
TPMIL: Trainable Prototype Enhanced Multiple Instance Learning for Whole Slide Image Classification
Arxiv
0+阅读 · 2023年5月1日
Causalainer: Causal Explainer for Automatic Video Summarization
Arxiv
0+阅读 · 2023年4月30日
Implementing Responsible AI: Tensions and Trade-Offs Between Ethics Aspects
Arxiv
1+阅读 · 2023年4月21日
Comparing radiologists' gaze and saliency maps generated by interpretability methods for chest x-rays
Arxiv
0+阅读 · 2023年4月20日
Learning Bottleneck Concepts in Image Classification
Arxiv
1+阅读 · 2023年4月20日
Interpretability for Conditional Coordinated Behavior in Multi-Agent Reinforcement Learning
Arxiv
0+阅读 · 2023年4月20日
The Price of Explainability for Clustering
Arxiv
0+阅读 · 2023年4月19日
Img2Tab: Automatic Class Relevant Concept Discovery from StyleGAN Features for Explainable Image Classification
Arxiv
0+阅读 · 2023年4月18日
Impact Of Explainable AI On Cognitive Load: Insights From An Empirical Study
Arxiv
1+阅读 · 2023年4月18日
XAI for transparent wind turbine power curve models
Arxiv
0+阅读 · 2023年4月18日
Implementing Responsible AI: Tensions and Trade-Offs Between Ethics Aspects
Arxiv
1+阅读 · 2023年4月17日
Expressive architectures enhance interpretability of dynamics-based neural population models
Arxiv
0+阅读 · 2023年4月17日
Inseq: An Interpretability Toolkit for Sequence Generation Models
Arxiv
0+阅读 · 2023年4月14日
Combining Stochastic Explainers and Subgraph Neural Networks can Increase Expressivity and Interpretability
Arxiv
0+阅读 · 2023年4月14日
Integrating AI Planning with Natural Language Processing: A Combination of Explicit and Tacit Knowledge
Arxiv
0+阅读 · 2023年4月13日
参考链接
子主题
可解释人工智能
微信扫码咨询专知VIP会员
Top