机构名称：
¥ 1.0
摘要 许多人工智能 (AI) 应用都涉及机器学习的使用，机器学习不断发展并解决越来越复杂的任务。同时，概念建模通常应用于此类现实世界任务，以便可以在适当的细节级别对其进行抽象，以捕获和表示开发有用的信息系统以支持应用程序的要求。在这项研究中，我们开发了一个框架，通过使用概念模型从应用程序的人类心理模型发展到机器学习模型。基于该框架，我们开发了一种新颖的概念叠加方法，以提高机器学习模型的可解释性。我们通过将机器学习应用于《住房抵押贷款披露法》数据库中的公开数据来说明该方法，该数据库包含在美国收集的 2020 年抵押贷款申请数据。机器学习任务是预测抵押贷款是否获得批准。结果显示，通过以代表心理模型的概念模型的形式包含领域知识，而不是仅仅依靠算法，可以提高机器学习应用程序的可解释性。初步结果表明，包含此类知识有助于推进可解释性问题。
使用概念建模方法进行可解释AI
主要关键词
相关文件推荐
