可解释人工智能与多重共线性：当前方法的小型综述
人工智能
2024-06-18 v1 机器学习
机器学习
摘要
可解释人工智能方法有助于理解机器学习模型的内部机制以及它们如何达成特定决策或执行特定动作。信息特征列表是可解释人工智能方法最常见的输出之一。当可解释人工智能以人工智能系统中信息量最大的特征形式生成解释时，多重共线性是需要考虑的一个重大问题。目前尚无综述专门研究处理这一重要问题的现有方法。在本文中，我们结合处理多重共线性问题的最新进展，对当前最先进的可解释人工智能方法进行了综述。为此，我们在三个数据库（Web of Science、Scopus和IEEE Xplore）中搜索了相关的已发表论文。在排除不相关的论文后，本综述考虑了七篇论文。此外，我们讨论了当前可解释人工智能方法在处理多重共线性方面的局限性，并提出了未来的研究方向。
引用
@article{arxiv.2406.11524,
title = {Explainable Artificial Intelligence and Multicollinearity : A Mini Review of Current Approaches},
author = {Ahmed M Salih},
journal= {arXiv preprint arXiv:2406.11524},
year = {2024}
}