客观解释评估指标可靠性研究：一项对抗分析
原文中文，约500字，阅读约需2分钟。发表于：。本文提出了一种新的解释技术，称为 SHifted Adversaries using Pixel Elimination (SHAPE)，并证明了它是一种对常用重要性基于视觉 XAI 方法进行鲁棒性和可靠性度量的对抗性解释，相比于 GradCAM 和 GradCAM ++ 等流行解释技术，在这些测试中，SHAPE 表现更好，并引发了与这些度量标准以及人的参与评估的整体改进的问题。
深度学习算法在计算机视觉任务中取得进展，但其可解释性受到关注。可解释人工智能（XAI）旨在揭示人工智能模型的决策过程。该研究提出了一个XAI基准，包括不同主题的数据集，为图像提供类别标签和解释注释。还综合评述了10种以上的视觉解释评估方法。希望该基准推动视觉解释模型的进步。
