典型文献
生成链接树:一种高数据真实性的反事实解释生成方法
文献摘要：
超大的数据规模及结构复杂的深度模型在互联网数据的处理与应用方面表现出了优异的性能,但降低了人工智能(Artificial Intelligence,AI)系统的可解释性.反事实解释(Counterfactual Explanations,CE)作为可解释性领域研究中一种特殊的解释方法,受到了很多研究者的关注.反事实解释除了作为解释外,也可以被视为一种生成的数据.从应用角度出发,文中提出了一种生成具有高数据真实性反事实解释的方法,称为生成链接树(Generative Link T ree,GL T),采用分治策略与局部贪心策略,依据训练数据中出现的案例生成反事实解释.文中对反事实解释的生成方法进行了总结并选取了其中热门的数据集来验证GLT方法.此外,提出"数据真实性(Data Fidelity,DF)"的指标,用于评估反事实解释作为数据的有效性和潜在应用能力.与基线方法相比,GL T生成的反事实解释数据的真实性明显高于基线模型所生成的反事实解释.
文献关键词：
可解释性;填充式;反事实解释;数据真实性
中图分类号：
作者姓名：
王明;武文芳;王大玲;冯时;张一飞
作者机构：
东北大学计算机科学与工程学院 沈阳110169
文献出处：
引用格式：
[1]王明;武文芳;王大玲;冯时;张一飞-.生成链接树:一种高数据真实性的反事实解释生成方法)[J].计算机科学,2022(09):33-40
A类：
反事实解释,Counterfactual,Explanations,ree
B类：
数据真实性,生成方法,深度模型,互联网数据,Artificial,Intelligence,可解释性,CE,解释方法,Generative,Link,分治策略,贪心策略,训练数据,GLT,Data,Fidelity,DF,潜在应用,应用能力,解释数据,基线模型,所生,填充式
AB值：
0.261636
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
