近年来,可解释机器学习(IML) 的相关研究蓬勃发展。尽管这个领域才刚刚起步,但是它在回归建模和基于规则的机器学习方面的相关工作却始于20世纪60年代。最近,arXiv上的一篇论文简要介绍了解释机器学习(IML)领域的历史,给出了最先进的可解释方法的概述,并讨论了遇到的挑战。

当机器学习模型用在产品、决策或者研究过程中的时候,「可解释性」通常是一个决定因素。

可解释机器学习(Interpretable machine learning ,简称 IML)可以用来来发现知识,调试、证明模型及其预测,以及控制和改进模型。

研究人员认为 IML的发展在某些情况下可以认为已经步入了一个新的阶段,但仍然存在一些挑战。

成为VIP会员查看完整内容
38

相关内容

最新《可解释机器学习:原理与实践》综述论文,33页pdf
专知会员服务
158+阅读 · 2020年10月10日
机器学习的可解释性
专知会员服务
175+阅读 · 2020年8月27日
【哈佛大学】机器学习的黑盒解释性,52页ppt
专知会员服务
168+阅读 · 2020年5月27日
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
201+阅读 · 2020年2月24日
干货 | 可解释的机器学习
AI科技评论
20+阅读 · 2019年7月3日
10页MIT可解释机器学习最新论文
专知
5+阅读 · 2019年2月22日
用模型不确定性理解模型
论智
11+阅读 · 2018年9月5日
未来人类会关注可解释性吗?
待字闺中
5+阅读 · 2018年8月9日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
VIP会员
相关VIP内容
最新《可解释机器学习:原理与实践》综述论文,33页pdf
专知会员服务
158+阅读 · 2020年10月10日
机器学习的可解释性
专知会员服务
175+阅读 · 2020年8月27日
【哈佛大学】机器学习的黑盒解释性,52页ppt
专知会员服务
168+阅读 · 2020年5月27日
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
201+阅读 · 2020年2月24日
微信扫码咨询专知VIP会员