用 SMILE 解释黑箱：基于局部解释的统计模型无关可解释性
机器学习
2023-11-14 v1 人工智能
统计理论
机器学习
统计理论
摘要
机器学习目前正经历能力、流行度和复杂度的爆发式增长。然而，机器学习（ML）被广泛接受的主要障碍之一是可信性：大多数 ML 模型作为黑箱运行，其内部机制不透明且神秘，在不理解结论如何得出的情况下很难信任其结论。因此，可解释性是提升可信性的关键方面：更好地理解、解释和预测 ML 模型行为的能力。为此，我们提出 SMILE，一种基于先前方法构建的新方法，它利用统计距离度量来改进可解释性，同时适用于广泛的输入数据领域。
引用
@article{arxiv.2311.07286,
title = {Explaining black boxes with a SMILE: Statistical Model-agnostic Interpretability with Local Explanations},
author = {Koorosh Aslansefat and Mojgan Hashemian and Martin Walker and Mohammed Naveed Akram and Ioannis Sorokos and Yiannis Papadopoulos},
journal= {arXiv preprint arXiv:2311.07286},
year = {2023}
}