增强机器学习模型可解释性：利用微调大语言模型更好地理解人工智能
计算与语言
2025-05-07 v1 人工智能
摘要
随着主流机器学习（ML）模型日益呈现黑箱化，可解释人工智能（XAI）在各行各业的应用势头增强。与此同时，大语言模型（LLM）在理解人类语言和复杂模式方面的能力显著发展。通过将两者结合，本文提出了一种新颖的参考架构，通过由微调LLM驱动的交互式聊天机器人来解释XAI。我们在电池健康状态（SoH）预测的背景下实例化了该参考架构，并在多轮评估和演示中验证了其设计。评估表明，所实现的原型增强了人类对ML的可解释性，特别是对于XAI经验较少的用户。
引用
@article{arxiv.2505.02859,
title = {Enhancing ML Model Interpretability: Leveraging Fine-Tuned Large Language Models for Better Understanding of AI},
author = {Jonas Bokstaller and Julia Altheimer and Julian Dormehl and Alina Buss and Jasper Wiltfang and Johannes Schneider and Maximilian Röglinger},
journal= {arXiv preprint arXiv:2505.02859},
year = {2025}
}