AI 용어집
인공지능 완전 사전
Local interpretability methods
Techniques explaining individual predictions like LIME, SHAP, and LRP to understand decisions on a case-by-case basis.
Global model interpretability
Approaches analyzing the global behavior of the model to understand general decision-making patterns.
Feature importance et sélection
Méthodes quantifiant l'importance relative des variables dans les prédictions du modèle.
Visualisation de modèles ML
Techniques graphiques et visuelles pour représenter et comprendre l'architecture et le fonctionnement des modèles.
Méthodes agnostiques au modèle
Techniques d'interprétation fonctionnant avec n'importe quel type de modèle sans connaissance de son architecture interne.
Interprétabilité des réseaux de neurones profonds
Méthodes spécifiques pour comprendre et visualiser les décisions des modèles de deep learning complexes.
Explications contrefactuelles
Génération d'exemples alternatifs montrant quelles modifications minimales changeraient la prédiction du modèle.
Détection de biais algorithmiques
Techniques identifiant et quantifiant les discriminations systématiques dans les prédictions des modèles ML.
Évaluation quantitative de l'interprétabilité
Métriques et protocoles pour mesurer objectivement la qualité et la fidélité des explications générées.
Interpretability of ensemble models
Specific techniques to analyze and explain the functioning of random forests, gradient boosting and other ensembles.
Causal explanations in ML
Methods establishing cause-and-effect relationships rather than simple correlations in model decisions.
Interpretability for Temporal Models
Techniques adapted to explain predictions on time series and sequential data.
Confidence and uncertainty metrics
Tools quantifying the model's confidence level in its predictions and the associated uncertainty.
Interactive and conversational explanations
Systems that allow users to interact with the model to obtain personalized and adaptive explanations.