解释分类的全局必要理由的复杂性
人工智能
2025-01-14 v1
摘要
近年来，可解释 AI 备受关注，因为理解 AI 系统做出决策或预测背后的原因对于其成功应用至关重要。解释分类器的行为是一个突出问题。该领域的工作提出了局部和全局解释的概念，前者关注解释分类器对特定实例的行为，而后者关注解释分类器的整体行为，而不依赖于任何特定实例。在本文中，我们聚焦于全局解释，并从分类器将特定类别分配给泛型实例的“最小”必要条件的角度解释分类。我们针对文献中考虑的自然极小性准则和重要分类器族，对该问题进行了详尽的复杂性分析。
引用
@article{arxiv.2501.06766,
title = {On the Complexity of Global Necessary Reasons to Explain Classification},
author = {Marco Calautti and Enrico Malizia and Cristian Molinaro},
journal= {arXiv preprint arXiv:2501.06766},
year = {2025}
}