arXiv上的一篇新论文正式定义了在何种条件下可以为机器学习分类器生成充分的解释。该研究引入了一种通用的解释形式,并分析了概率充分性和删除充分性等变体。研究结果表明,对于大多数语言、蛋白质和分子分类任务而言,实现完全充分性是无法达到的,这为解释器的性能设定了理论上限。 AI
影响 确立了AI可解释性的理论局限性,可能指导未来研究开发更可靠的事后解释方法。
排序理由 该条目是一篇在arXiv上发表的学术论文,详细介绍了机器学习解释的理论研究。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- image
- Influence Flower
- Litmaps
- machine learning
- Molecular classification of cancer: class discovery and class prediction by gene expression monitoring
- On the Limits of Sufficient Explanations
- post-hoc explainers
- protein
- ScienceCast
- scite Smart Citations
- Strings
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →