超越相似之幕：衡量可解释人工智能中的语义连续性

我们提出了一种新型指标，用于衡量可解释人工智能方法和机器学习模型中的语义连续性。我们认为，对于模型而言，要实现真正可解释和可信赖的效果，相似的输入应产生相似的解释，这反映出一致的语义理解。通过利用 XAI 技术，我们评估了语义连续性在图像识别任务中的表现。我们进行实验，以观察输入的增量变化如何影响不同 XAI 方法提供的解释。通过这种方法，我们旨在评估模型在准确和准确地概括和抽象语义概念方面的能力，并评估不同的 XAI 方法在正确捕获模型行为方面的表现。本文通过提出一种用于衡量 XAI 方法语义连续性的定量度量，促进了更可靠和透明的人工智能系统的发展，为 AI 可解释性的更广泛讨论做出了贡献，洞察了模型和解释器内部推理过程。