Loading...
机构名称:
¥ 1.0

反事实解释通过指出将导致替代性,期望的结果的方案来阐明算法决策。深入了解模型的行为,他们暗示用户采取可能的行动,并为决策提供理由。作为实现这些目标的关键因素,反事实必须是合理的,即描述数据歧管中现实的替代方案。本文利用了最近开发的生成建模技术 - 对抗随机森林(ARFS) - 以模型 - 不合Snostic的方式有效地产生了合理的反事实。ARF可以用作合理性措施或直接产生反事实解释。我们的基于ARF的方法超过了旨在产生合理的反事实解释的现有方法的局限性:易于训练和计算高效,自然而然地处理连续和分类数据,并允许以直接的方式整合诸如稀疏之类的其他DeSiderata。

尺度 - 生成合理

尺度 - 生成合理PDF文件第1页

尺度 - 生成合理PDF文件第2页

尺度 - 生成合理PDF文件第3页

尺度 - 生成合理PDF文件第4页

尺度 - 生成合理PDF文件第5页

相关文件推荐

2024 年
¥1.0
2024 年
¥2.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥2.0
1900 年
¥1.0
1900 年
¥9.0
2025 年
¥2.0
2025 年
¥3.0
2023 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥3.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥2.0
2023 年
¥7.0
2025 年
¥1.0
2024 年
¥1.0
2025 年
¥6.0