
Explanation disagreement in machine learning, arising from varying stakeholder needs and model interpretations, can be mitigated using the EXAGREE framework, which leverages Rashomon sets to identify models that maximize explanation agreement while maintaining predictive performance.


coremsg

exagree-a-framework-for-achieving-explanation-agreement-in-explainable-machine-learning


EXAGREE: A Framework for Achieving Explanation Agreement in Explainable Machine Learning


title_rewrite


본 논문은 해석 가능한 머신러닝 모델인 MLM(Mixture of Linear Models)을 제안하며, 이는 심층 신경망(DNN)의 높은 예측 정확도와 선형 통계 모델의 해석 가능성 사이의 간극을 메워줍니다.


심층-신경망의-공동-지도를-받는-선형-모델-혼합


심층 신경망의 공동 지도를 받는 선형 모델 혼합
