机构名称：
¥ 1.0
2，Lindenwood University https://orcid.org/0000-0002-0578-6052摘要：深神经网络（DNN）的可解释性和解释性在人工智能（AI）中至关重要，尤其是应用于医疗保健，财务，财务，财务，自然驾驶和自动驾驶和自动驾驶。这项研究的需求源于AI逐渐融合到关键领域，在这些领域中，透明，信任和道德决策至关重要。本文探讨了建筑设计选择对DNN解释性的影响，重点介绍了不同的建筑元素（例如层类型，网络深度，连接模式和注意机制）如何影响模型透明度。从方法论上讲，该研究对案例研究和实验结果进行了全面综述，以分析DNN中的性能与可解释性之间的平衡。它检查了现实世界中的应用程序，以证明医疗保健，金融和自动驾驶等领域的可解释性重要性。该研究还综述了实用工具，例如局部可解释的模型不合源说明（LIME）和Shapley添加说明（SHAP），以评估它们在增强模型透明度方面的有效性。结果强调了解释性有助于更好的决策，问责制和遵守监管标准。例如，在环境监测中使用Shap有助于政策制定者了解空气质量的关键动力，从而导致明智的干预措施。在教育中，石灰通过强调影响学生绩效的因素来帮助教育者个性化学习。研究结果还表明，结合注意机制和混合模型体系结构可以显着提高可解释性，而不会损害性能。关键字：解释性，解释性，深神经网络，AI透明度
导航AI
主要关键词
相关文件推荐
