可解释性方法分类

这部分内容有帮助吗？

参考文献

Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2023 - 一本全面的在线书籍，提供了机器学习可解释性方法的结构化概述，涵盖了各种分类维度、局部/全局解释以及模型特定/模型无关技术。
"Why Should I Trust You?": Explaining the Predictions of Any Classifier, Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin, 2016 Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (Association for Computing Machinery) DOI: 10.1145/2939672.2939778 - 介绍了LIME的原始论文，LIME是一种广泛采用的事后模型无关方法，可以为任何分类器的单个预测生成局部、可解释的解释。
A Unified Approach to Interpreting Model Predictions, Scott M Lundberg, Su-In Lee, 2017 Advances in Neural Information Processing Systems 30 (NIPS 2017) (NeurIPS) - 提出了SHAP的开创性论文，SHAP是一种博弈论解释框架，统一了多种可解释性方法并提供了一致的特征归因，包括模型无关（KernelSHAP）和模型特定（TreeSHAP）的实现。
A Survey of Explainable Artificial Intelligence (XAI): Methods, Applications, Challenges, and Opportunities, Amina Adadi, Mohammed Berrado, 2018 Applied System Innovation, Vol. 1 (MDPI) DOI: 10.3390/asi1040031 - 一项全面的调查，根据多个维度（包括模型无关/特定和预模型/事后模型方法之间的区别）对可解释人工智能（XAI）方法进行分类，提供了该领域的广泛概述。