논문 링크: https://arxiv.org/pdf/1705.07874.pdf 안녕하세요. 오늘은 설명 가능한 인공지능 XAI(eXplainable Artificial Intelligence) 의 라이브러리로 쓰이고 있는 SHAP의 논문을 요약만 소개하고자 합니다.
[요약] 모델이 특정 예측을 하는 이유를 이해하는 것은 많은 응용프로그램에서 예측의 정확도만큼 중요할 수 있다. 하지만 대규모로 구성된 최신 데이터셋에 대한 높은 정확도는 전문가도 해석하기 어려운 앙상블 또는 딥러닝 모델에 의해 달성되기 때문에 정확도와 해석 가능성 사이의 간극이 발생한다.
최근 사용자가 복잡한 모델의 예측을 해석하는 데 도움이 되는 다양한 방법이 제안되었지만, 방법들이 어떻게 관련되어 있고 어떤 방법이 다른 방법보다 선호되는지 불분명하다. 이러한 문제를 해결하기 위해 SHAP(SHapley Additive exPlannations)을 제안한다.
SHAP은 특정 예측에 대한 중요도 값을 각 요소에 할당한다...
![[A Unified Approach to Inter Preting Model Prediction] 요약 - SHAP, XAI, 설명 가능한 인공지능](https://blogimgs.pstatic.net/nblog/mylog/post/og_default_image_160610.png)
#
additive
#
기계학습논문
#
논문
#
논문리뷰
#
딥러닝
#
딥러닝논문
#
러닝
#
머신러닝
#
머신러닝논문
#
샤플레
#
샵
#
설명가능AI
#
설명가능한AI
#
설명가능한인공지능
#
기계학습
#
XAI
#
ai
#
AI논문
#
aritificial
#
DeepLearning
#
DEEPLIFT
#
DeepLR
#
explainable
#
intelligence
#
LIME
#
SHAP
#
Shapley
#
ShapleyValue
#
ShapValue
#
요약
