Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Vers une nouvelle mesure de la confiance des utilisateurs dans les systèmes XAI
Created by
Haebom
Auteur
Miquel Mir o-Nicolau, Gabriel Moy a-Alcover, Antoni Jaume-i-Capo , Manuel Gonz alez-Hidalgo, Adel Ghazel, Maria Gemma Sempere Campello, Juan Antonio Palmer Sancho
Contour
Cet article porte sur l'étude de la méthodologie d'IA explicable (XAI) pour améliorer la fiabilité des modèles d'apprentissage profond. Afin de résoudre le problème d'opacité des modèles d'apprentissage profond, nous proposons un nouvel indice de mesure de la fiabilité combinant des indicateurs de performance et des indicateurs de fiabilité d'un point de vue objectif. À travers trois études de cas, nous démontrons que cet indice présente des performances et une sensibilité améliorées dans divers scénarios par rapport aux méthodes existantes.
Takeaways, Limitations
•
Takeaways:
◦
Présentation d'un nouvel indice de mesure pour améliorer la fiabilité des systèmes XAI
◦
Performances et sensibilité améliorées par rapport aux méthodes existantes
◦
Présentation d'une méthode permettant d'évaluer de manière exhaustive les performances et la fiabilité d'un point de vue objectif
•
Limitations:
◦
Une validation supplémentaire de la généralisabilité de l’étude de cas présentée est nécessaire.
◦
Il est nécessaire de revoir l'applicabilité à diverses méthodologies XAI et modèles d'apprentissage profond
◦
Nécessité d'évaluer la complexité informatique et l'efficacité des indicateurs de mesure proposés
