LioNets：通过倒数第二层解码对神经网络进行局部解释
机器学习
2021-12-21 v3 机器学习
摘要
智能家居、自动驾驶汽车、医疗保健和机器人助手的技术突破，加之强化的法律法规，已对可解释机器学习学术研究产生了关键影响。足够多的研究者已实现不分差别地解释任意黑盒分类模型的方法。构建不可知解释器的一个缺陷是，邻域生成过程是通用的，因此无法保证所生成邻域与实例之间的真实邻接性。本文探索了一种在局部范围内为神经网络决策提供解释的方法论，该过程在创建实例邻域时主动考虑神经网络的架构，从而确保所生成邻域与实例之间的邻接性。
引用
@article{arxiv.1906.06566,
title = {LioNets: Local Interpretation of Neural Networks through Penultimate Layer Decoding},
author = {Ioannis Mollas and Nikolaos Bassiliades and Grigorios Tsoumakas},
journal= {arXiv preprint arXiv:1906.06566},
year = {2021}
}
备注
Submitted and accepted to AIMLAI-XKDD-ECMLPKDD19