Die Studie stellt SHIELD-Regularisierung vor, eine auf XAI basierende Regularisierungsansatz, der nicht nur die Erklärbarkeit des Modells verbessert, sondern auch direkt die Qualität der Vorhersagen beeinflusst.
Die Ergebnisse unterstützen die Ausgangsannahme, dass die Kombination der Regularisierungsperspektive die Erklärbarkeit und Qualität des Modells unter Verwendung der SHIELD-Regularisierung verbessert. Darüber hinaus ist SHIELD-Regularisierung ein nützliches Regularisierungswerkzeug, das in jedes Training integriert werden kann. Die Verwendung dieser Regularisierung erhöht die Qualität der Modelle und verringert das Overfitting.
Insgesamt stellt SHIELD-Regularisierung einen wichtigen Beitrag zur Bewältigung der Dualität zwischen Erklärbarkeit und Modellqualität dar und bietet ein wertvolles Werkzeug für Forscher und Praktiker im Bereich der KI.
Para Outro Idioma
do conteúdo original
arxiv.org
Principais Insights Extraídos De
by Iván... às arxiv.org 04-04-2024
https://arxiv.org/pdf/2404.02611.pdfPerguntas Mais Profundas