ITL-LIME：用于增强低资源数据环境中局部解释的基于实例的迁移学习

可解释人工智能（Explainable Artificial Intelligence, XAI）方法，如局部可解释模型无关解释（Local Interpretable Model-Agnostic Explanations, LIME），通过使用可解释替代模型对其局部行为进行近似，使黑箱机器学习模型的可解释性取得了进展。然而，LIME内在的随机扰动和抽样会导致局部性和不稳定性问题，尤其是在数据有限的场景下。数据稀缺会导致生成不切实际的变化和样本，这些样本偏离真实数据流形。 Consequently，替代模型可能无法准确近似原始模型的复杂决策边界。为解决这些挑战，我们提出了一种新型基于实例的迁移学习LIME框架（Instance-based Transfer Learning LIME, ITL-LIME），以提高数据受限环境中的解释保真度和稳定性。ITL-LIME通过利用来自相关源域的相关真实实例来辅助解释过程于目标域中引入实例迁移学习。具体地，我们采用聚类将源域划分为具有代表性原型的簇。我们不生成随机扰动，而是从与目标实例最相似的源簇原型对应的源簇中检索相关的真实源实例。然后将这些实例与目标实例的相邻真实实例组合。为定义紧凑的局部性，我们进一步构建基于对比学习的编码器作为加权机制，依据实例与目标实例的接近程度为组合集中的实例分配权重。最后，这些加权后的源实例和目标实例用于训练解释目的的替代模型。