论文阐述了解释性的重要性，并提出了一种新的解释性分类方法，该分类方法分为三个维度:参与类型(被动解释性与主动解释性)、可解释性的类型和可解释性焦点(从局部解释性到全局解释性)。这种分类法为相关文献中论文的分布提供了一个有意义的3D视图，因为其中的两个维度不是简单的分类，而是允许有序的子类别。最后，论文总结了现有的可解释性评价方法，并提出了新分类方法启发下可能的研究方向。
2021-03-18 12:12:49
842KB
1
作为人工智能的一个领域，机器推理(MR)主要使用符号手段来形式化和模拟抽象推理。早期MR的研究已经开始对可解释的人工智能(XAI)进行调查，这可以说是当今人工智能界最关心的问题之一。
2021-03-09 15:28:06
624KB
1
本文没有描述一个工作系统。相反，它提出了一个关于表示的单一想法，允许几个不同群体的进步被组合成一个虚构的系统，称为GLOM。这些进展包括transformers、神经域、对比表示学习、蒸馏和胶囊。
2021-03-01 09:12:47
875KB
1