增强智能：一种可扩展且稳定的可解释性混合框架
人工智能
2025-12-23 v1
摘要
当前的可解释人工智能(XAI)方法面临“可扩展性-稳定性困境”。事后方法(如LIME、SHAP)易于扩展但稳定性差，而监督式解释框架(如TED)提供稳定性但需要耗费大量人力来标记每个训练实例。本文提出了一种混合LRR-TED框架，通过一种新颖的“发现不对称性”来解决这一困境。当应用于客户流失预测时，我们证明了自动规则学习器(GLRM)擅长识别广泛的“安全网”(留存模式)，但难以捕捉特定的“风险陷阱”(流失触发因素)——我们将此现象称为“客户流失的安娜·卡列尼娜原则”。通过用自动安全规则初始化解释矩阵，并用一组帕累托最优的仅四个由人类定义的风险规则进行增强，我们的方法达到了94.00%的预测准确率。该配置优于完整的8条规则手动专家基线，同时将人工标注工作量减少了50%，这提出了人机协同AI范式的转变：将专家的角色从“规则编写者”转变为“异常处理者”。
引用
@article{arxiv.2512.19557,
title = {Augmenting Intelligence: A Hybrid Framework for Scalable and Stable Explanations},
author = {Lawrence Krukrubo and Julius Odede and Olawande Olusegun},
journal= {arXiv preprint arXiv:2512.19557},
year = {2025}
}
备注
5 pages, 2 figures, 2 tables. Code and experiments available at https://github.com/Lawrence-Krukrubo/IBM-Learn-XAI