ABE：面向鲁棒性与忠实性归因解释性的统一框架
机器学习
2025-05-13 v1 人工智能
摘要
归因算法是通过识别驱动模型决策的关键特征，来增强深度学习模型可解释性和可信度的关键手段。现有框架如 InterpretDL 和 OmniXAI 集成了多种归因方法，但存在可扩展性受限、高度耦合、理论约束以及缺乏用户友好实现等问题，阻碍了神经网络的透明性和互操作性。为应对这些挑战，本文提出了归因解释性（Attribution-Based Explainability, ABE）框架，系统化了基本归因方法，集成最新归因算法，并确保符合归因公理。ABE 使研究人员能够开发新型归因技术，并通过四个可自定义模块（鲁棒性、可解释性、验证、数据与模型）提升可解释性。该框架为推动基于归因的解释性研究并构建透明的人工智能系统提供了可扩展、可扩展的基础。我们的代码已公开：https://github.com/LMBTough/ABE-XAI。
引用
@article{arxiv.2505.06258,
title = {ABE: A Unified Framework for Robust and Faithful Attribution-Based Explainability},
author = {Zhiyu Zhu and Jiayu Zhang and Zhibo Jin and Fang Chen and Jianlong Zhou},
journal= {arXiv preprint arXiv:2505.06258},
year = {2025}
}