基于扰动-梯度共识归因的可解释人工智能方法透明度评估与增强统一框架

可解释人工智能(XAI)方法在安全关键领域日益受到使用，但尚无统一框架能够同时评估忠实度、可解释性、鲁棒性、公平性和完整性。我们通过两个贡献来解决这一问题。首先，我们提出了多准则评估框架，通过原则化指标正式化这五个标准：通过预测间隙分析实现忠实度；通过复合浓度-连贯性-对比度得分实现可解释性；通过余弦相似性扰动稳定性实现鲁棒性；通过跨人口统计组的 Jensen-Shannon 发散实现公平性；通过特征剥离覆盖率实现完整性。这些指标集成到一个熵加权动态评分方案中，该方案适应特定领域的优先级。其次，我们引入扰动-梯度共识归因(PGCA)，通过共识放大和自适应对比度增强，将基于网格的扰动重要性与 Grad-CAM++ 融合，结合扰动忠实度与梯度基于空间精度。我们在五个领域(脑肿瘤MRI、植物疾病、安检、性别、太阳镜检测)上进行评估，使用在ResNet-50模型上微调的模型。PGCA在忠实度 $(2.22 \pm 1.62)$、可解释性 $(3.89 \pm 0.33)$ 和公平性 $(4.95 \pm 0.03)$ 上取得最佳性能，在基线方法上具有统计显著优势 $(p < 10^{-7})$。敏感性分析显示排名稳定(Kendall's $(\tau \geq 0.88))$。代码和结果已公开。