机构名称：
¥ 2.0
解释被视为通过使其透明的方式来增强对机器学习（ML）模型的信任的一种方式。尽管最初是一种调试工具，但现在也被广泛提议证明基于ML的社会应用预测公平和敏感性（Langer等人）（Langer等人，2021; Smuha，2019年； K a astner等。，2021;冯·埃辛巴赫（Von Eschenbach），2021年；勒本，2023年； Karimi等。，2020年； Wachter等。，2017年； Liao＆Varshney，2021年）和法规（解释权（Wikipedia con-trigutors，2025））。但是，如（Bordt等人，2022年），其中许多用例都在对抗性中是对抗性的，在这种情况下，参与方的利益不一致，并受到激励以操纵解释以实现其目的。例如，一家基于ML模型的预测拒绝向申请人贷款的银行有一个令人讨厌的人将无可争议的解释退还给申请人
备用：使用ZKPS的机密模型进行操作说明
主要关键词
相关文件推荐
