Statistics and explainability: a fruitful alliance

本文提出标准统计工具作为解决可解释性文献中常见问题的解决方案。确实，利用统计估计器可以恰当地定义解释，实现理论保证并制定评估指标以定量评估解释的质量。这种方法避免了文献中目前普遍存在的主观人为评估等问题。此外，我们认为不确定性量化对于提供健壮和可信赖的解释至关重要，并且可以通过经典的统计程序（如自助法）在这个框架中实现。然而，需要注意的是，尽管统计学提供了有价值的贡献，但它并非解决所有挑战的万能药。未来的研究方向可以集中于开放性问题，例如为解释定义目的或为反事实或对抗性情景建立统计框架。

本文旨在解决解释性人工智能领域中常见的问题，如何定义解释、如何评估解释质量等，并提出使用统计工具作为解决方案。

使用统计估计器来定义解释，建立评估指标，实现量化评估解释质量，并通过经典统计程序（如bootstrap）实现不确定性量化，从而提供可靠的解释。

本文提供了一种新的解决方案，通过使用统计工具来解决解释性人工智能领域中的问题。实验使用的数据集和开源代码也值得关注。未来研究可以关注解释目的的定义和建立针对反事实或对抗情况的统计框架。

该领域的相关研究包括：'Towards A Rigorous Science of Interpretable Machine Learning'，'Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI'等。