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
کلیدواژهها
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
شیوه ارجاع
کیانی زادگان، زینب و قهرمانی نژاد، بنیامین و سعادت فر، حمید،1401،بهبود روش LIME با نمونه برداری هوشمند و غیر قطعی،اولین کنفرانس بین المللی و ششمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوع�
ارائهشده در
مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی8 اسفند 1402 · اهواز