Towards A Rigorous Science of Interpretable Machine Learning

• 类型：arxiv
• 标识：1702.08608
• 链接：https://arxiv.org/abs/1702.08608
• 主题：agent
• 主分类：evaluation
• 形态：position
• 被引：5453
• 被引来源：Semantic Scholar
• S2被引：5453
• OpenAlex被引：3181
• 影响力被引：388
• TLDR：This position paper defines interpretability and describes when interpretability is needed (and when it is not), and suggests a taxonomy for rigorous evaluation and exposes open questions towards a more rigorous science of interpretable machine learning.
• OpenAlex ID：W2594475271
• OpenAlex DOI：10.48550/arxiv.1702.08608
• DOI：10.48550/arxiv.1702.08608
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1702.08608
• OpenAlex更新：2026-08-21
• 待LLM分类：否
• 成熟度：research
• 场景：interpretability、ml-evaluation
• 标题中文：迈向严谨的可解释机器学习科学
• TLDR中文：这篇立场论文定义了可解释性，阐述了何时需要（以及何时不需要）可解释性，并提出了一种用于严格评估的分类法，同时指出了迈向更严谨的可解释机器学习科学所面临的开放性问题
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]