可解释人工智能导论

封面

版权信息

内容简介

主要作者

章节作者（按姓氏拼音排序）

推荐序

前言

读者服务

作者介绍

第一部分 本书简介

第1章 可解释人工智能概述

1.1 为什么人工智能需要可解释性

1.2 可解释人工智能

1.3 可解释AI的历史及发展现状

1.4 本书结构及阅读建议

第二部分 理论方法

第2章 贝叶斯方法

2.1 贝叶斯网络

2.2 贝叶斯深度学习

2.3 从贝叶斯网络到可解释的因果模型

2.4 延伸阅读

2.5 小结

第3章 基于因果启发的稳定学习和反事实推理

3.1 将因果引入机器学习的增益

3.2 挖掘数据中的因果关联

3.3 稳定学习

3.4 反事实推理

3.5 小结

第4章 基于与或图模型的人机协作解释

4.1 与或图模型

4.2 基于与或图的多路径认知过程

4.3 人机协作对齐人类认知结构和与或图模型

4.4 小结

第5章 对深度神经网络的解释

5.1 神经网络特征可视化

5.2 输入单元重要性归因

5.3 博弈交互解释性理论

5.4 对神经网络特征质量解构、解释和可视化

5.5 对表达结构的解释

5.6 可解释的神经网络

5.7 小结

第三部分 行业应用

第6章 生物医疗应用中的可解释人工智能

6.1 基因编辑系统优化设计中的可解释人工智能

6.2 医学影像中的可解释性

6.3 小结

第7章 金融应用中的可解释人工智能

7.1 简介

7.2 金融可解释AI的案例

7.3 金融可解释AI的发展方向

7.4 延伸阅读

7.5 小结

第8章 计算机视觉应用中的可解释人工智能

8.1 背景

8.2 视觉关系抽取

8.3 视觉推理

8.4 视觉鲁棒性

8.5 视觉问答

8.6 知识发现

8.7 小结

第9章 自然语言处理中的可解释人工智能

9.1 简介

9.2 可解释自然语言处理中的模型结构分析

9.3 可解释自然语言处理中的模型行为分析

9.4 自然语言处理任务中的可解释性

9.5 延伸阅读

9.6 小结

第10章 推荐系统中的可解释人工智能

10.1 简介

10.2 初探可解释推荐

10.3 可解释推荐的历史与背景

10.4 推荐系统基础

10.5 基本的推荐模型

10.6 可解释的推荐模型

10.7 可解释推荐的应用

10.8 延伸阅读：其他可解释推荐模型

10.9 小结

第11章 结论

附录A 传统机器学习中的可解释模型

A.1 线性回归

A.2 逻辑回归

A.3 决策树

附录B 可解释人工智能相关研究资源

B.1 图书

B.2 综述论文

B.3 Workshop及论文集

B.4 Tutorial

B.5 代码

参考文献