Bài báo này tập trung vào phương pháp quy kết dữ liệu (DA) bổ sung cho các phương pháp quy kết đặc trưng chủ yếu được sử dụng trong lĩnh vực trí tuệ nhân tạo có thể giải thích (XAI). Để giải quyết các vấn đề về chi phí tính toán cao, yêu cầu bộ nhớ và độ thưa thớt thấp của các phương pháp DA hiện có, chúng tôi đề xuất DualXDA, một khuôn khổ DA hiệu quả, thưa thớt và có thể giải thích được. DualXDA bao gồm hai phương pháp, DualDA và XDA. DualDA cung cấp quy kết dữ liệu thưa thớt nhanh chóng và tự nhiên bằng cách sử dụng lý thuyết Máy vectơ hỗ trợ. XDA tận dụng các ưu điểm của các phương pháp quy kết đặc trưng hiện có để giải thích tại sao các mẫu đào tạo lại quan trọng đối với việc dự đoán các mẫu thử nghiệm. DualDA đạt được thời gian giải thích nhanh hơn tới 4.100.000 lần so với các phương pháp hàm ảnh hưởng hiện có và nhanh hơn tới 11.000 lần so với các phương pháp xấp xỉ hiệu quả nhất hiện có, đồng thời vẫn duy trì chất lượng quy kết cao và thực hiện tốt các tác vụ tiếp theo khác nhau. Tóm lại, DualXDA được kỳ vọng sẽ mở ra một kỷ nguyên mới của các hệ thống AI có trách nhiệm bằng cách cho phép phân tích minh bạch và hiệu quả các kiến trúc mạng nơ-ron quy mô lớn.
