机构名称：
¥ 2.0
因果关系和可解释人工智能 (XAI) 是计算机科学中独立的领域，尽管因果关系和解释的基本概念有着共同的古老根源。由于缺乏共同涵盖这两个领域的评论工作，这种情况进一步加剧。在本文中，我们调查了文献，试图了解因果关系和 XAI 是如何以及在多大程度上交织在一起的。更准确地说，我们试图揭示这两个概念之间存在什么样的关系，以及如何从中受益，例如，在建立对人工智能系统的信任方面。结果，确定了三个主要观点。在第一个观点中，因果关系的缺乏被视为当前人工智能和 XAI 方法的主要局限性之一，并研究了“最佳”解释形式。第二个是务实的观点，将 XAI 视为一种工具，通过识别值得追求的实验操作来促进因果探究的科学探索。最后，第三个观点支持因果关系对 XAI 具有先导性的观点，其方式有三种：利用从因果关系中借用的概念来支持或改进 XAI、利用反事实来解释，以及将访问因果模型视为自我解释。为了补充我们的分析，我们还提供了用于自动执行因果任务的相关软件解决方案。我们相信，通过强调潜在的领域桥梁并揭示可能的局限性，我们的工作为因果关系和 XAI 这两个领域提供了统一的视角。
因果关系在可解释人工智能中的作用
主要关键词
相关文件推荐
