بهبود روش LIME با نمونه برداری هوشمند و غیر قطعی

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.

کلیدواژه ها:

هوش مصنوعی توضیح پذیر ، روشLIME ، ثبات ، وفاداری