2021年3月出版
作者
W.Samek、G.Montavon、S.Lapuschkin、C.J.Anders和K.-R.Müller
摘要
随着机器学习（ML）在工业和科学中的广泛和高度成功的应用，对可解释人工智能（XAI）的需求越来越大。因此，为了更好地理解非线性ML，特别是深度神经网络的问题解决能力和策略，可解释性和解释方法受到了越来越多的关注。在这项工作中，我们的目标是：1）及时概述这一活跃的新兴领域，重点是“事后”解释，并解释其理论基础；2） 利用广泛的模拟，从理论和比较评估的角度对可解释性算法进行测试；3） 概述最佳实践方面，即如何最好地将口译方法纳入ML的标准用法；和4）演示XAI在典型应用场景中的成功使用。最后，我们讨论了ML这一激动人心的基础领域面临的挑战和可能的未来方向。
查看IEEE Xplore上的这篇文章
