会员服务
广义上的可解释性指在我们需要了解或解决一件事情的时候，我们可以获得我们所需要的足够的可以理解的信息，也就是说一个人能够持续预测模型结果的程度。按照可解释性方法进行的过程进行划分的话，大概可以划分为三个大类： 在建模之前的可解释性方法，建立本身具备可解释性的模型，在建模之后使用可解释性方法对模型作出解释。
Toward Explaining Large Language Models in Software Engineering Tasks
Arxiv
0+阅读 · 12月23日
CLUENet: Cluster Attention Makes Neural Networks Have Eyes
Arxiv
0+阅读 · 12月19日
KAN-AFT: An Interpretable Nonlinear Survival Model Integrating Kolmogorov-Arnold Networks with Accelerated Failure Time Analysis
Arxiv
0+阅读 · 12月23日
Neuron-Guided Interpretation of Code LLMs: Where, Why, and How?
Arxiv
0+阅读 · 12月23日
Estimation and Inference for Causal Explainability
Arxiv
0+阅读 · 12月23日
Estimation and Inference for Causal Explainability
Arxiv
0+阅读 · 12月24日
The Dead Salmons of AI Interpretability
Arxiv
0+阅读 · 12月21日
Beyond Occlusion: In Search for Near Real-Time Explainability of CNN-Based Prostate Cancer Classification
Arxiv
0+阅读 · 12月19日
Automated Modeling Method for Pathloss Model Discovery
Arxiv
0+阅读 · 12月24日
Algorithm for Interpretable Graph Features via Motivic Persistent Cohomology
Arxiv
0+阅读 · 12月23日
Positive Semi-definite Latent Factor Grouping-Boosted Cluster-reasoning Instance Disentangled Learning for WSI Representation
Arxiv
0+阅读 · 11月4日
Interpretable Clinical Classification with Kolgomorov-Arnold Networks
Arxiv
0+阅读 · 11月13日
Interpreto: An Explainability Library for Transformers
Arxiv
0+阅读 · 12月10日
Mechanistic Interpretability for Transformer-based Time Series Classification
Arxiv
0+阅读 · 11月26日
Fairness Interventions: A Study in AI Explainability
Arxiv
0+阅读 · 12月3日
参考链接
微信扫码咨询专知VIP会员
Top