PulseAugur
中
实时 12:18:12
English(EN) Interpretability-Guided Bi-objective Optimization: Aligning Accuracy and Explainability

新框架使用双目标优化训练可解释的AI模型

作者 PulseAugur 编辑部 · [1 个来源] ·

本文介绍了可解释性引导的双目标优化（IGBO）框架，这是一个旨在训练既准确又可解释的模型的新框架。IGBO通过使用双目标公式整合结构化领域知识，并将特征重要性层次结构编码到有向无环图（DAG）中。该框架利用时间集成梯度（TIG）来衡量特征重要性，并提出了一种新颖的相对重要性得分来量化随时间变化的特征归因。 AI

影响 引入了一个增强模型可解释性的新框架，可能有助于开发更值得信赖的AI系统。

排序理由 这是一篇研究论文，详细介绍了一个新的模型可解释性框架。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架使用双目标优化训练可解释的AI模型

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Kasra Fouladi, Hamta Rahmani ·

    可解释性引导的双目标优化：平衡准确性与可解释性

    arXiv:2601.00655v3 Announce Type: replace Abstract: This paper introduces Interpretability-Guided Bi-objective Optimization (IGBO), a framework that trains interpretable models by incorporating structured domain knowledge via a bi-objective formulation. IGBO encodes feature impor…

相关实体

相关话题