GENEOnet：支持可解释性与可信度的统计分析
机器学习
2025-03-18 v1 人工智能
生物大分子
应用统计
摘要
群等变非扩张算子（GENEOs）已成为构建机器学习与人工智能网络的数学工具。近期研究结果表明，此类模型因其固有的可解释性，可被纳入可解释人工智能（XAI）领域。在本研究中，我们旨在通过运用各种统计分析和实验，针对为计算生物化学应用而开发的 GENEO 网络 GENEOnet 验证这一主张。这些实验首先允许我们对 GENEOnet 的参数进行敏感性分析，以检验其显著性。随后，我们表明与其他方法相比，GENEOnet 表现出显著更高比例的等变性。最后，我们证明 GENEOnet 平均而言对由分子动力学引起的微扰具有鲁棒性。这些结果共同作为 GENEOnet 的可解释性、可信度和鲁棒性的证明，并证实了在可信人工智能背景下使用 GENEOs 的益处。
引用
@article{arxiv.2503.09199,
title = {GENEOnet: Statistical analysis supporting explainability and trustworthiness},
author = {Giovanni Bocchi and Patrizio Frosini and Alessandra Micheletti and Alessandro Pedretti and Carmen Gratteri and Filippo Lunghini and Andrea Rosario Beccari and Carmine Talarico},
journal= {arXiv preprint arXiv:2503.09199},
year = {2025}
}