Explainable AI 可解释的人工智能----李宏毅教授机器学习课程笔记四

可解释的人工智能

课程视频地址

1 引言

先大概总结一下～～～～主要是三部分内容：

• 1）对输入图像进行分析，解释黑盒的AI模型是通过对输入图像的哪一部分进行判断，从而得到输出结果的。输入图像的哪些区域改变，对输出分类结果的影响较大。------对应下面图中的Local ExplanationWhy do you think this image is a cat?
• 2）对黑盒AI模型进行反推，来解释模型学到的东西。即对于特定的某一类输出（比如狗狗），AI究竟认为什么样的图像就是猫咪，那就把这个图像生成出来解释给你看咯。需要用到生成算法。（我觉得这种挺像人类的学习，就是看了很多狗狗的图片，然后我已经认识什么是狗狗了，但是如果你问我什么是狗狗，我可能很难跟你描述出来，但是我可以按照自己的理解给你画很多张狗狗图片，告诉你这些就是我知道的狗狗啦，反正就大概长这种样子的小动物嘛。）------对应下面图中的Global ExplanationWhat do you think a “cat” looks like?
• 3） 用一种可解释的模型来近似这个难解释的AI模型。AI模型是高度非线性的模型，黑盒，难解释。线性模型是简单的白盒模型，很容易解释，但是表征能力很弱，不能表征复杂问题。决策树如果不是很大的话，是一种容易解释的，表征能力也还不错的模型哦。所以就是两种研究轨迹：用线性模型来近似AI模型的局部，从而可以解释AI模型；用决策树来近似AI模型（需要限制决策树的复杂程度），从而可以解释AI模型。

为啥需要可解释呢？

• 生活中太多地方需要了：比如用ML来判读简历，需要提供为什么选择这个应聘者不选择那个应聘者，是依据这个人的哪些特征，这些信息需要反馈给招聘方。并不是机器学习模型在测试集合的精度越高，就真的越好用，因为不能确定机器到底是不是学到了真正的知识～～～如果并没有学到真正的知识，那在很多实际场合我们是不敢使用的呢。如果能解释的合理，人们才会觉得这个模型可以实用哦。
• 借助可解释性，能获得更好的ML模型。
  

模型可解释v.s模型强大

有些模型好解释，但是不够powerful。比如线性模型。
深度学习模型难解释，但是非常powerful。

有没有又好解释又powerful的模型呢？
决策树咯，但是只是简单的决策树好解释，如果决策树很复杂依然难解释。而且现在很多时候用的是决策森林，更加难解释了。

2 Local Explanation–Explain the decision

Why do you think this image is a cat?

思路

把输入拆分成很多的component，改变其中的一个component，看看哪个component的改变会引起模型决策的改变，那么这个component就是重要的component。

方法一

一个简单的方法
把输入图片用一个灰色方块挡住一部分，输入模型进行判断，移动这个灰色方块，最终得到灰色方块挡住哪一部分会导致模型判断错误。比如下图蓝色部分，就是灰色方块挡住这一部分时候，模型判断错误率很高，那么这部分区域就是模型判断的主要依据。
问题：如何选择灰色方块的大小很关键。太小—比如一个一个像素的改变，那方块在哪里应该都不重要，模型都应该不会判错啦；太大—可能改变每个位置都会导致模型判错。。。
为什么选择灰色方块？–也是需要自己来选择的～～～
当你选择不同参数时候，会得到不同的解释结果哦！！！

方法二***

另外一个方法——基于Gradient
对每个pixel进行一个$\Delta x$的扰动，输出 y k