机构名称：
¥ 4.0
摘要：人工智能 (AI) 的最新进展导致了其在工业领域的广泛应用，机器学习系统在大量任务中表现出超越人类的性能。然而，这种性能的激增通常是通过增加模型复杂性来实现的，将这些系统变成“黑箱”方法，并导致它们的运行方式以及最终它们做出决策的方式存在不确定性。这种模糊性使机器学习系统难以在敏感而关键的领域采用，而这些领域的价值可能巨大，例如医疗保健。因此，近年来，人们对可解释人工智能 (XAI) 领域的科学兴趣重新燃起，该领域涉及开发解释和解释机器学习模型的新方法。本研究重点关注机器学习可解释性方法；更具体地说，我们介绍了这些方法的文献综述和分类，以及它们的编程实现的链接，希望这项调查可以为理论家和实践者提供参考。
机器学习可解释性方法回顾
主要关键词
相关文件推荐
