On the Interpretability and Explainability of Prototype-Based Methods and Reinforcement Learning
Notice bibliographique
Résumé
With the ever-growing use of AI to solve real-world problems, the need for transparency and trust in these methods has given rise to Interpretable and Explainable AI.While a growing body of research is trying to address these issues, some areas of the field can still be further improved.In the field of inherently interpretable AI methods, the embedding spaces used for the current prototype-based neural network methods have issues with prototype-query similarity.In the same area of prototype-based neural networks, another issue is the inadequacies of current schemes for evaluating the interpretability of part-prototype networks.In addition, in the field of reinforcement learning, post-hoc explainability methods are focused more on policy distillation rather than on local feature-based explanations.In this work, an inherently interpretable method is proposed to create more interpretable prototypes in a prototype-based classification scheme.In addition, a robust human-centric evaluation framework is proposed for part-prototype networks.Another method is also proposed to create posthoc explainability in reinforcement learning by utilizing state features.Experiments show the superiority and validity of these methods compared to the previous state of the art.In the case of the proposed evaluation metric, this work also includes a comprehensive comparison of the interpretability of existing part-prototype-based neural network methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».