本稿では、慢性疾患の予防と管理のためのパーソナライズされた反事実説明を生成する、モデルにとらわれない説明可能なAI介入システムであるExActを紹介します。ExActは、機械学習アルゴリズムによって行われた予測をどのように利用して、望ましくない結果を防ぐために人間の行動を修正できるかという課題に取り組みます。
ExActは、高次元データの決定境界を特徴付けるために、敵対的学習からの洞察を活用し、実用的な介入を生成するためにグリッドサーチを実行します。これは、ユーザーの嗜好に関する事前知識を反事実生成のプロセスに統合している点で独特です。
ExActは、行動変容介入を設計する際に、小さな変化に焦点を当てることが行動変容の持続可能性を確保するために重要であるという原則に基づいています。これは、社会的認知理論と反事実説明の両方からの重要な概念です。ExActは、ユーザーが修正可能な機能の選択においてユーザーの嗜好を優先することも、AIシステムを正常に採用するための重要な属性であることを認識しています。
ExActは、4つの実世界のデータセットと外部シミュレーターを使用して広範囲に評価されています。シミュレーション支援の検証では平均82.8%の妥当性を示し、ExActは反事実説明を生成するための最先端技術を少なくとも10%上回っています。さらに、ExActからの反っ効果は、以前の研究と比較して、少なくとも6.6%の近接性の向上が見られます。
ExActは、モデルの解釈可能性を高め、AIにおける信頼性と公平性を確保するための、反事実説明を生成するための重要な進歩を表しています。ユーザーの嗜好を反映し、パーソナライズされた説明を提供するExActの機能は、慢性疾患の予防と管理のためのAI駆動型介入の設計と展開に大きな影響を与えます。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問