机构名称：
¥ 2.0
摘要 — 可解释的人工智能在近十年中引起了极大兴趣，因为它在自动驾驶汽车、法律和医疗保健等关键应用领域中具有重要意义。遗传编程是一种强大的机器学习进化算法。与神经网络等其他标准机器学习模型相比，由 GP 进化而来的模型由于其模型结构具有符号组件而往往更易于解释。然而，直到最近，随着可解释的人工智能的流行，遗传编程才明确考虑可解释性。本文全面回顾了遗传编程研究，遗传编程可以潜在地显式和隐式地提高模型的可解释性。我们将现有的与通过遗传编程实现可解释人工智能相关的研究分为两类。第一类考虑内在的可解释性，旨在通过遗传编程直接进化出更可解释（和有效）的模型。第二类侧重于事后可解释性，即使用遗传编程来解释其他黑盒机器学习模型，或用线性模型等更简单的模型来解释遗传编程演化出的模型。这项全面的调查展示了遗传编程在提高机器学习模型的可解释性以及平衡模型准确性和可解释性之间的复杂权衡方面的巨大潜力。
通过遗传编程解释人工智能
主要关键词
相关文件推荐
