《表1 可解释性方法：深度学习模型可解释性的研究进展》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习模型可解释性的研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本质上可解释模型:利用本质上可解释的模型近似模拟黑盒模型，然后通过查看可解释性模型内部的参数或者特征统计信息来解释该黑盒模型[36-37]。比如借助可解释的决策模型或稀疏性的线性模型来近似黑盒模型，可以通过蒸馏等方法，在可解释的模型上建立输入和输出之间的关系，实现可解释性的迁移。这种可解释模型近似的方法通常不考虑黑盒模型内部的参数，直接对模型进行“端到端”的近似。下面将对这些可解释性方法进行详细的介绍，见表1。