Explaining Decisions in ML Models: a Parameterized Complexity Analysis

本文对各种机器学习（ML）模型的解释问题的参数化复杂性进行了全面的理论研究。与普遍的黑匣子看法相反，我们的研究重点关注具有透明内部机制的模型。我们解决了两种主要类型的解释问题：归纳和对比，以及它们的局部和全局变体。我们的分析涵盖了各种ML模型，包括决策树、决策集、决策列表、有序二叉决策图、随机森林和布尔电路，以及它们的集成，每种模型都提供独特的解释挑战。本研究填补了可解释人工智能（XAI）中的一个重要空白，为生成这些模型的解释的复杂性提供了基础理解。这项工作提供了对XAI领域进一步研究至关重要的见解，为AI系统透明度和问责性的必要性的更广泛讨论做出了贡献。

本文旨在全面探究各种机器学习模型中解释问题的参数化复杂性。与当前主流的黑盒看法相反，本研究着眼于具有透明内部机制的模型。作者解决了两种主要类型的解释问题：归纳和对比，以及它们的局部和全局变体。本文分析了各种机器学习模型，包括决策树、决策集、决策列表、有序二叉决策图、随机森林和布尔电路，以及它们的集成，每种模型都提供了独特的解释挑战。这项研究填补了可解释人工智能（XAI）中的重要空白，为这些模型生成解释的复杂性提供了基础性的理解。这项工作为XAI领域的进一步研究提供了重要的见解，为AI系统的透明度和问责性的广泛讨论做出了贡献。

本文关注具有透明内部机制的模型，研究了归纳和对比两种类型的解释问题的参数化复杂性。研究了各种机器学习模型，填补了可解释人工智能中的重要空白。

本文实验设计全面，使用了多个数据集，作者提出的解释问题的参数化复杂性的研究方法值得关注。

最近在这个领域中，还有一些相关的研究，如《A Survey of Methods for Explaining Black Box Models》、《Towards A Rigorous Science of Interpretable Machine Learning》等。