近期论文安排：可解释深度学习

（1）2018年尾提出来的，XAI（可解释AI）的重要性。（但是讲的挺水的）

https://www.jiqizhixin.com/articles/2018-11-15-15

 

（2）阿里社区论文

https://developer.aliyun.com/search?q=%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7&spm=5176.12901015.0.i12901015.45bc525cdlKBKQ

 

先看看这些：

【计算机视觉】究竟谁能解决可解释性 AI？

https://developer.aliyun.com/article/760497?spm=a2c6h.14164896.0.0.4b37ff63PgBUfe

 

告别 AI 模型黑盒：可解释机器学习研究报告

https://developer.aliyun.com/article/767177?spm=a2c6h.14164896.0.0.4b37ff63PgBUfe

 

神经网络？决策树？都做不到！谁能解决可解释性AI？

https://developer.aliyun.com/article/760252?spm=a2c6h.14164896.0.0.7d8aff63EZgTK4

讲道理   NN + DT 其实效果还可以吧，接近80的精度了。

 

局部可理解的与模型无关的解释（LIME）技术

https://blog.csdn.net/zkh880loLh3h21AJTH/article/details/78100487

https://blog.csdn.net/txpp520/article/details/106354396

但是LIME这个技术还是提出的比较早了的，能够将图片中支持和反对预测分类结果的部分展示出来。

 

可解释视觉问题的条件图结构学习

https://www.cnblogs.com/wangxiaocvpr/p/10941363.html

条件图结构  是不是就是树的结构呢？    我想应该不是，这个应该是纯网络结构，就是那种节点与边组成的图 G(V,E)结构学习。

慢慢来，看完论文再定论。

之前看了的那个NBDT 神经支持决策树，就是将决策树和NN结合。