بهبود روش LIME با نمونه برداری هوشمند و غیر قطعی
محل انتشار: اولین کنفرانس بین المللی و ششمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 306
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEITCONF06_073
تاریخ نمایه سازی: 19 تیر 1402
چکیده مقاله:
LIME یکی از محبوب ترین مدل های هوش مصنوعی توضیح پذیر(XAI )، است که سعی در شفاف سازی دلایل تصیم گیری مدل های مات و پیچیده هوش مصنوعی را در یک محلیت خاص دارد. علیرغم محبوبیت LIME در بین متخصصان حوزه XAI، این روش نقطه ضعف هایی دارد که چالش هایی در به کارگیری روش، خصوصا در کارهای ضروری و حیاتی می شود. عدم ثبات توضیحات در تکرارهای مختلف اجرای الگوریتم و عدم وفاداری مدل تفسیر پذیر محلی نسبت به مدل جعبه سیاه از چالش های LIME است. در این کار، ما LIME را با تمرکز بر نمونه برداری هوشمند و غیر قطعی از جهت ایجاد وفاداری و ثبات در توضیحات تولیدی برای داده های جدولی در مسئله طبقه بندی دو کلاسه بهبود داده ایم. برتری خود را از روش LIME، در وفاداری و ثبات با انجام آزمایشات نشان داده ایم.
نویسندگان
زینب کیانی زادگان،
دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه بیرجند ،
بنیامین قهرمانی نژاد
، دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه امیرکبیر تهران،
حمید سعادت فر
استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه بیرجند