推进事后基于案例的解释与特征突出
原文中文，约500字，阅读约需2分钟。发表于：。提出了两种通用算法（潜在和超像素基础），可以从测试图像中分离出多个清晰的特征部分，并将其与训练数据中的解释性案例联系起来，通过精心设计的用户研究验证了其有效性，结果表明所提出的方法可以适当调整用户对 ImageNet 数据集中模糊分类的正确性感觉，而仅显示解释而不突出特征时无法实现该效果。
该文介绍了一个可解释人工智能（XAI）基准，旨在揭示人工智能模型的决策过程。该基准包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。作者还评估了超过10种视觉解释方法，并在选定的数据集上进行实验，以进一步评估现有的视觉解释方法的性能。该基准旨在推动视觉解释模型的进步。
