Почему я должен вам доверять?
"Why Should I Trust You?"
2016-08-08
SCID: 54.1/m5w6g3zc
Discuss with AI
модели типа «чёрный ящик»интерпретируемость моделейпрозрачность моделейобъяснение предсказанийдоверенное машинное обучение
Figures from the paper
Abstract (AI)
Несмотря на широкое распространение, модели машинного обучения по-прежнему в основном остаются «чёрными ящиками». Однако понимание причин, лежащих в основе предсказаний, крайне важно для оценки доверия, которое имеет фундаментальное значение, если предполагается принимать решения на основе предсказания или выбирать, следует ли внедрять новую модель. Такое понимание также позволяет получить представление о модели, что может быть использовано для преобразования ненадёжной модели или предсказания в надёжные.
Key Findings
1
Объяснения предсказаний могут раскрывать особенности поведения модели и помогать находить способы преобразования ненадёжных моделей или предсказаний в надёжные.
2
Аннотация выделяет непрозрачность широко используемых моделей машинного обучения как основную проблему для доверия и решений о внедрении.
3
Понимание причин, лежащих в основе предсказаний машинного обучения, важно для оценки доверия перед действиями на основе предсказаний или внедрением моделей.
Research Object
Модели машинного обучения и их предсказания
Research Subject
Интерпретируемость предсказаний моделей как основа оценки и повышения надёжности, а также принятия решений о развёртывании
Publication Details
Publication Date
2016-08-08
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью20
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
Интерпретация моделей «чёрного ящика»: обзор объяснимого искусственного интеллекта2023
Объяснимый искусственный интеллект (XAI): что нам известно и чего еще необходимо достичь для создания заслуживающего доверия искусственного интеллекта2023
Обзор интерпретируемости обучения с учителем2021
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
FinBERT: большая языковая модель для извлечения информации из финансовых текстов2022
Соединяя точки в сфере заслуживающего доверия искусственного интеллекта: от принципов ИИ, этики и ключевых требований к ответственным системам ИИ и регулированию2023
Оценка качества объяснений в машинном обучении: обзор методов и метрик2021
Финансовое мошенничество: обзор методов обнаружения аномалий и последних достижений2021
От анекдотических свидетельств к количественным методам оценки: систематический обзор оценки объяснимого искусственного интеллекта2023
Объяснимость графовых нейронных сетей: таксономический обзор2022
Методы объяснимого искусственного интеллекта (XAI) для энергетических и электроэнергетических систем: обзор, проблемы и перспективы2022
Применение объяснимого искусственного интеллекта в кибербезопасности: современное состояние исследований2022
Искусственный интеллект для приложений предиктивного обслуживания: ключевые компоненты, доверие и будущие тенденции2024
Интерпретация моделей искусственного интеллекта: систематический обзор применения LIME и SHAP для обнаружения болезни Альцгеймера2024
Распознавание заболеваний подсолнечника с помощью гибридного глубокого обучения и объяснимости на базе ИИ2023
Методы машинного обучения в макроэкономическом прогнозировании: предварительные результаты2025
Оценка структурных дескрипторов для переохлажденной воды с помощью машинного обучения2026
Обзор объяснимого искусственного интеллекта (XAI): на пути к медицинскому XAI2020
Правовые вопросы и вопросы прав человека, связанные с искусственным интеллектом: пробелы, вызовы и уязвимости2020