![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日](/simg/0/070d7c7773e4992bf716ef8f8bc5d0404ff23414.png)
机构名称：
¥ 1.0
人工智能 (AI) 的成功采用在很大程度上取决于决策者对它的理解和信任程度 [6]。在不久的将来，人工智能将对人类做出深远的决策，例如在自动驾驶汽车、贷款申请或刑事司法系统中。像 COMPAS 这样的例子，一种用于假释决策的种族偏见算法表明需要审查人工智能决策 [7]。但像深度神经网络 (DNN) 这样的复杂人工智能模型很难被人类理解，并且充当事实上的黑匣子 [16]。相比之下，决策树等简单模型对人类来说更容易理解，但缺乏预测准确性 [9]，尽管有些人认为这不一定正确 [21]。可解释人工智能领域旨在创建更可解释的模型，同时仍实现高预测能力。目前的研究讨论表明，可解释性将带来更多的信任、更现实的期望和更公平的决策 [6]。事后解释技术通过创建一个简化的、可解释的解释模型来工作，该模型近似于黑匣子的行为 [24]。然而，这种简化并非没有风险，因为根据定义，黑匣子的精确工作原理并未显示出来 [24]。相反，可解释模型旨在使
arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日
主要关键词
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日PDF文件第1页](/bimg/8/88f15520916f187ac44a9bd71b3235a111bb4ecc.webp)
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日PDF文件第2页](/bimg/d/d8eaa8afa6a3a000c78d897ea913e955960a2d67.webp)
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日PDF文件第3页](/bimg/d/df7694b076d17b5931a74b679bb83d6d3a003f87.webp)
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日PDF文件第4页](/bimg/d/d47e34ac9d05bd0fe70e82e5cdd73e225a143db7.webp)
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日PDF文件第5页](/bimg/c/c9d16240628101121d78381bf207919aa7f77fb4.webp)
相关文件推荐
![arXiv:2102.07039v1 [cs.RO] 2021 年 2 月 14 日 - 加州理工学院作者](/simg/2/25e43204245c78df627668556baf7f3f3d635b52.webp)
![arXiv:2001.02021v1 [cs.AI] 2020 年 1 月 7 日](/simg/6/6656a65d1324b757699cd670b349c20ef6da7f31.png)
![arXiv:2207.05643v1 [cs.RO] 2022 年 7 月 12 日](/simg/9/914a0980453c8245d7338c340cfcc7abaab03a7a.webp)
![arXiv:2003.05823v1 [cs.RO] 2020 年 3 月 12 日](/simg/c/cf9e39bb81ef86eb692012c7befa2c3c970b4e31.webp)
![arXiv:2208.10629v3 [cs.CR] 2022 年 12 月 3 日](/simg/e/eb1262714226878482b0cf1d7af9be5069ea8d28.webp)
![arXiv:2106.03797v1 [cs.CV] 2021 年 5 月 20 日](/simg/d/d3991bdbf22b7ca1f479c1474c721bd822b7bde3.webp)
![arXiv:2112.15422v1 [cs.AI] 2021 年 11 月 25 日](/simg/9/944ac25ddea48b6e4402cdc063b0cba3869af3b5.png)
