实体
Explainable AI (XAI): Core Ideas, Techniques, and Solutions
Explainable AI (XAI): Core Ideas, Techniques, and Solutions
PulseAugur coverage of Explainable AI (XAI): Core Ideas, Techniques, and Solutions — every cluster mentioning Explainable AI (XAI): Core Ideas, Techniques, and Solutions across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
AI系统以98.83%的准确率推荐病理测试
研究人员开发了一种使用分类器链（CC）技术的病理测试推荐系统，以提高诊断效率。该系统将测试选择视为多标签分类问题，并考虑了测试之间的依赖关系。应用于从病理数据派生的自定义数据集后，带有CC的逻辑回归模型达到了98.83%的准确率，而多数投票集成模型在精确率、召回率和F1分数方面取得了良好的平衡。可解释AI（XAI）技术，特别是SHAP，被用于确保透明度和临床可解释性，证实了模型的推理与既有的医学知识一致。
-
指南通过 XGBoost 和 SHAP 解释 AI 透明度
本指南探讨了可解释人工智能（XAI）技术，以揭秘复杂的机器学习模型。它侧重于使用 XGBoost 构建心脏病分类器的实际应用，演示了如何建立对 AI 决策的信任。指南涵盖了置换重要性、部分依赖图和 SHAP 值等方法，以揭示特征如何影响预测，并提供局部和全局解释。
-
新的XAI框架在没有真实标签的情况下量化解释质量
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。