English(EN) Learning Quantifiable Visual Explanations Without Ground-Truth

新的XAI框架在没有真实标签的情况下量化解释质量

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-18 17:21

研究人员开发了一个新的框架来评估可解释人工智能（XAI）方法，解决了缺乏真实标签数据的挑战。该框架使用连续输入扰动来正式评估归因信息在模型决策中的充分性和必要性。此外，他们提出了一种新颖的XAI方法，该方法使用该指标的可微近似来微调模型，从而在不降低性能的情况下产生因果解释。 AI

影响提供了一种新的量化方法来评估AI解释，有可能提高AI模型的信任度和负责任的部署。

排序理由该集群包含一篇详细介绍XAI新方法和框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Dimosthenis Karatzas · 2026-05-18 17:21

学习无需真实标签的可量化视觉解释

Explainable AI (XAI) techniques are increasingly important for the validation and responsible use of modern deep learning models, but are difficult to evaluate due to the lack of good ground-truth to compare against. We propose a framework that serves as a quantifiable metric for…