研究人员推出ConceptSMILE，一个旨在审计基于概念的可解释人工智能（XAI）的可靠性的新框架。这种模型无关的方法通过测量输入扰动对概念响应的变化来评估人类可理解的概念解释的可靠性。ConceptSMILE通过归因准确性、代理保真度、忠实性、稳定性和一致性等指标来评估可靠性。在视网膜眼底图像上的初步评估，比较了MedSAM和视觉语言模型（VLMs）的概念，揭示了不同概念和通路之间可靠性的差异，其中MedSAM显示出更强的空间归因，而VLM通路则表现出更好的血管忠实度。 AI
影响 增强了AI可解释性的评估，可能在关键应用中带来更可靠和值得信赖的AI系统。
排序理由 该集群描述了一篇发表在arXiv上的新研究论文，详细介绍了一个用于审计AI解释的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.09649v1 Announce Type: new Abstract: Concept-based explainable artificial intelligence (AI) can make model reasoning more human-understandable, but concept-level outputs are not automatically trustworthy. We introduce ConceptSMILE, a model-agnostic perturbation-based a…
Concept-based explainable artificial intelligence (AI) can make model reasoning more human-understandable, but concept-level outputs are not automatically trustworthy. We introduce ConceptSMILE, a model-agnostic perturbation-based auditing framework for evaluating the reliability…