本文介绍了一种利用机器学习来源来验证机器学习可解释性需求的方法。作者提出，通过保存各种类型的模型和数据来源，工程师可以建立可量化的功能性需求。验证这些功能性需求随后可作为确认模型是否满足其可解释性非功能性需求（NFR）的基础，从而解决了可解释性是一个无法衡量需求的挑战。 AI
影响 提供了一种量化和验证机器学习可解释性的新颖方法，有望提高模型的透明度和可信度。
排序理由 这是一篇发表在arXiv上的研究论文，提出了一种验证机器学习可解释性的新方法。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
Machine Learning (ML) Engineering is a growing field that necessitates an increase in the rigor of ML development. It draws many ideas from software engineering and more specifically, from requirements engineering. Existing literature on ML Engineering defines quality models and …