实践中的可解释性：基于移动电话数据估计塞内加尔的电气化率
计算机与社会
2023-06-30 v2 机器学习
摘要
可解释人工智能 (XAI) 为不可解释的机器学习 (ML) 模型提供解释。虽然存在许多技术方法，但缺乏在真实世界数据集上对这些技术的验证。在这项工作中，我们提出了一个 XAI 的用例：一个经过训练以基于塞内加尔的移动电话数据估计电气化率的 ML 模型。该数据来源于 Orange 在 2014/15 年举办的 Data for Development 挑战赛。我们应用了两种模型无关的局部解释技术，发现虽然该模型可以被验证，但它在人口密度方面存在偏差。我们在论文最后指出了我们在工作过程中遇到的两个主要挑战：数据处理和模型设计可能受到当前可用 XAI 方法的限制，以及领域知识在解释说明中的重要性。
引用
@article{arxiv.2211.06277,
title = {Explainability in Practice: Estimating Electrification Rates from Mobile Phone Data in Senegal},
author = {Laura State and Hadrien Salat and Stefania Rubrichi and Zbigniew Smoreda},
journal= {arXiv preprint arXiv:2211.06277},
year = {2023}
}
备注
The 1st World Conference on eXplainable Artificial Intelligence (xAI 2023)