黑盒子科学理论：基于建构主义的生命周期尺度可解释人工智能框架
机器学习
2026-02-03 v1
摘要
可解释人工智能 (XAI) 提供了越来越多的算法，旨在回答关于黑箱模型的特定问题。然而缺少一种原则化的方法，将关于固定黑箱模型的解释性信息整合到贯穿其生命周期的持久、可审计 artefact 中。我们通过引入黑盒子科学理论 (SToBB) 的概念来解决这一问题。基于建构主义，SToBB 需要履行三项义务：(i) 对黑箱行为的所有可用观察结果实现经验充分性；(ii) 通过显式的更新承诺实现可适应性，这些承诺在新观察到来时恢复充分性；(iii) 通过透明的假设、构建选择和更新行为文档实现可审计性。我们将这些义务操作化为一个通用框架，指定可扩展的观察基、可追溯的假设类、用于构建和修订的算法组件以及足以进行第三方评估的文档。随后，通过查询维护的记录来获得具体利益相关者需求的解释，而不是产生孤立的方法输出。作为概念验证，我们为一个用于制表任务的神经网络分类器实现完整的 SToBB，并引入构建和维护经验充分规则基替代模型的在线程序，即 Constructive Box Theoriser (CoBoT) 算法。正是这些贡献使 SToBB 成为支持一致的、可重用的分析以及系统性外部审视的生命周期尺度、可检查的参考点。
引用
@article{arxiv.2602.02215,
title = {Scientific Theory of a Black-Box: A Life Cycle-Scale XAI Framework Based on Constructive Empiricism},
author = {Sebastian Müller and Vanessa Toborek and Eike Stadtländer and Tamás Horváth and Brendan Balcerak Jackson and Christian Bauckhage},
journal= {arXiv preprint arXiv:2602.02215},
year = {2026}
}