XPose: 可解释的人体姿态估计
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本研究提出了一种新方法，通过SHAP值重新训练模型，提高可解释人工智能的透明度和可信度。实验结果表明，该方法在准确率上优于传统训练方法，并引入草图作为可解释性数据形式，展示了草图编码器的高识别精度，推动了可解释人工智能领域的发展。
🔎
延伸解读
SHAP重训练如何提升模型表现
文章提出使用SHAP值重新训练模型，在人数统计和图像分类任务上，准确率分别比等权训练方法提高了4%和3%。这表明将可解释性指标融入训练过程，不仅能增强模型透明度，还可能直接带来性能增益，为可解释AI的实用化提供了新思路。
草图作为可解释性数据形式的创新
研究首次将人类草图引入可解释人工智能领域，利用笔画的形状、位置和顺序等内在属性，定义了首个草图XAI任务：笔画位置倒置。这种数据形式为视觉解释提供了新视角，同时所设计的草图编码器在识别精度和参数效率上均表现优异。
可解释性评估的基准化进展
文章提及了多个可解释性评估工作，包括生成具有真实标准数据集的方法、基于基线Shapley值的检测器（BSED）以及统一的视觉解释基准。这些努力致力于公平比较不同解释技术，推动可解释AI评估的标准化和可靠性。
❓
Q&A
XPose方法如何提高可解释人工智能的透明度和可信度？
XPose方法通过使用SHAP值重新训练模型，增强了模型的透明度和可信度。
XPose方法在准确率上相比传统训练方法有何提升？
XPose方法在准确率上分别提高了4%和3%。
XPose首次引入了什么新的数据形式？
XPose首次将人类草图引入可解释人工智能领域。
XPose定义了什么新的XAI任务？
XPose定义了首个用于草图的XAI任务：笔画位置倒置。
草图编码器在XPose中表现如何？
草图编码器展示了最佳的草图识别精度和最小的参数数量。
XPose对可解释人工智能领域的发展有何推动作用？
XPose推动了可解释人工智能领域的发展，通过引入草图和提高模型的解释能力。
🏷️
