PulseAugur
中
实时 09:09:06
English(EN) Building Trust in Black-box Optimization: A Comprehensive Framework for Explainability

新框架通过可解释性指标提升对黑盒优化的信任度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个名为包容性可解释性指标代理优化（IEMSO）的新框架，以增强黑盒优化方法的透明度和可信度。该框架为中间和事后解释提供了模型无关的指标，旨在在昂贵的评估之前和之后建立从业者的信任。IEMSO将指标分为四类：采样核心、批处理属性、优化过程和特征重要性，在基准评估中显示出巨大潜力。 AI

影响 增强了人工智能驱动的优化过程中的信任度和可解释性，可能导致在关键应用中的更广泛采用。

排序理由 该集群包含一篇详细介绍优化可解释性新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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]

  1. arXiv cs.AI TIER_1 English(EN) · Nazanin Nezami, Hadis Anahideh ·

    构建黑箱优化中的信任：一个全面的可解释性框架

    arXiv:2410.14573v2 Announce Type: replace-cross Abstract: Optimizing costly black-box functions within a constrained evaluation budget presents significant challenges in many real-world applications. Surrogate Optimization (SO) is a common resolution, yet its proprietary nature i…

相关话题