可解释性在线教程

最新

在检测到异常后，利用特征归因技术解释哪些维度导致了异常，辅助运维和业务决策。

人工智能异常解释归因可解释性

1 0 0

2026-06-24

最新

学习如何生成反事实解释，即用户最少需要改变哪些特征就能翻转模型决策，提供可操作的个体级别解释。

人工智能反事实解释可解释性因果

4 0 0

2026-06-14

最新

全面对比基于梯度、输入扰动、反向传播的归因方法，如 Saliency Map、DeepLIFT 和 LRP，理解各自的假设与适用场景。

人工智能特征归因可解释性梯度分析

3 0 0

2026-06-14

最新

掌握满足灵敏度和实现不变性公理的积分梯度方法，沿基线到输入的路径累计梯度，为深度网络提供可靠的特征归因。

人工智能积分梯度特征归因可解释性

2 0 0

2026-06-14

最新

深入 SHAP 的理论基础，学习 KernelSHAP、TreeSHAP 和 DeepSHAP 加速估计，并用其解释任何模型的单个预测与整体特征重要性。

人工智能 SHAP 特征归因可解释性

5 0 0

2026-06-14

最新

综述深度学习可解释性方法，从特征归因、样本归因到模型蒸馏与概念分析，为模型决策提供透明度和可信度。

人工智能可解释性归因模型透明

2 0 0

2026-06-14

免费编程教程