資源

參考

阿迪，阿米娜和穆罕默德貝拉達 2018 年「偷看黑盒子裡面：可解釋的人工智能調查（XAI）。」 訪問權限 6：52138-52160。
安科納, 馬可, 埃尼亞·塞奧利尼, 琴吉斯·奧茲蒂雷利, 和馬庫斯總. 2018 年「為了更好地理解深度神經網絡基於漸變的歸因方法。」 學習表現國際會議論文集 (ICLR). 阿克希夫:1711.06104.
達姆迪, 凱達爾, 穆康德·桑達拉揚, 和齊齊顏. 2018 年「神經元有多重要？」 第三十六屆 Machine Learning 國際會議論文集 (ICML)。阿克希夫:1805.12233.
杜阿, 德赫魯和凱西·格拉夫. 2019 年 UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]。歐文，CA：加利福尼亞大學信息和計算機科學學院。
卡皮什尼科夫, 安德烈, 托爾加·博魯巴西, 費爾南達·維加斯, 和邁克爾·特里. 2019 年「XRAI: 通過地區更好的歸因。」 計算機視覺國際會議論文集：4948—4957。阿克希夫:1906.02825.
金, 一直, 馬丁·沃滕貝格, 賈斯汀·吉爾默, 凱莉·蔡, 詹姆斯·韋克斯勒, 費爾南達·維加斯, 和羅裡·塞雷斯. 2018 年「超越特徵歸因的可解釋性：使用概念激活向量（TCAV）進行定量測試。」阿克希夫:1711.11279.
倫德伯格, 斯科特 M., 加布里埃爾 ·G· 埃里翁, 和蘇茵李. 2019 年「樹合奏的一致個性化功能歸因。」阿克希夫:1802.03888.
倫德伯格, 斯科特 M. 和蘇因李. 2017 年「解釋模型預測的統一方法」。神經信息處理系統的進展（NIPS）30. 阿克希夫:1705.07874.
拉傑普爾卡, 普拉納夫, 張健, 康斯坦丁洛皮列夫, 和珀西梁. 2016 年。「小隊：10 萬多個關於機器理解文本的問題。」阿克希夫:1606.05250.
里貝羅, 馬可 T., 薩梅爾·辛格, 和卡洛斯·蓋斯特林. 2016 年。「『我為什麼要相信你？』：解釋任何分類器的預測。」 KDD '16: 第二十二屆 ACM SIKDD 知識發現和數據挖掘國際會議論文集:1135-1144. 阿克希夫:1602.04938.
松達拉拉揚, 穆康德, 安庫爾·塔利, 和顏齊齊. 2017 年「深度網絡的公理歸因。」 第三十四屆 Machine Learning 國際會議論文集阿克希夫:1703.01365.