可迁移的可解释人工智能：通过解释迁移建立跨领域理解

当前的可解释人工智能（XAI）侧重于解释单一应用，但当遇到相关应用时，用户可能依赖先前解释中形成的理解。这导致过度概括和过度依赖人工智能，或造成繁重的独立记忆负担。实际上，相关决策任务可以共享解释因素，但存在一些显著差异。例如，体重指数（BMI）对心脏病和糖尿病风险的影响程度相同，但胸痛对心脏病的指示性更强。同样，使用不同属性进行同一任务的模型仍然共享信号。我们利用迁移学习，提出了可迁移的 XAI，通过将一般仿射变换框架应用于线性因子解释，说明领域解释之间的关系，从而使用户能够跨相关领域转移理解。该框架支持跨各种领域类型的解释迁移：数据子空间的转换、决策任务的缩放和属性映射。通过用户研究表明，与单域和域无关的解释相比，Transferable XAI 在第二域的理解上最有帮助，实现了最佳决策忠诚度、因子召回率以及跨域解释关联能力。