高效计算紧凑的形式化解释
机器学习
2025-11-18 v2 人工智能
摘要
基于 VeriX（Verified eXplainability, arXiv:2212.01051）——一个为机器学习模型生成最优验证解释的系统，我们提出了 VeriX+，它在形式化解释的规模和生成时间上均有显著改进。我们引入了一种基于界传播的敏感性技术来改进规模，以及一种基于二分搜索并带有置信度排序的遍历方法来改进时间——这两种技术是正交的，可以独立或组合使用。我们还展示了如何将 QuickXplain 算法适配到我们的设置中，以在规模和时间之间提供折中方案。在标准基准上的实验评估表明，两项指标均有显著改进，例如，在 GTSRB 数据集上规模减少了 ，在 MNIST 上时间减少了 。我们证明我们的方法可扩展至 Transformer 及现实场景，如自主飞机滑行和情感分析。最后，我们展示了形式化解释的几种新颖应用。
引用
@article{arxiv.2409.03060,
title = {Efficiently Computing Compact Formal Explanations},
author = {Min Wu and Xiaofu Li and Haoze Wu and Clark Barrett},
journal= {arXiv preprint arXiv:2409.03060},
year = {2025}
}