Counterfactual and Semifactual Explanations in Abstract Argumentation: Formal Foundations, Complexity and Computation
University of Calabria(卡拉布里亚大学)
本文研究抽象论证框架中的反事实与半事实解释,分析其推理复杂性并证明其通常难于经典接受问题,同时给出基于弱约束框架和 ASP 求解器的计算方法。
2024-05-07 cs.AI
CoAX: Cognitive-Oriented Attribution eXplanation User Model of Human Understanding of AI Explanations
National University of Singapore(新加坡国立大学)
本文通过认知建模分析不同XAI方法在结构化数据推理中的策略,发现模型能更准确拟合人类决策,为改进AI解释的可理解性提供新思路。
2026-04-30 cs.AI
On the Complexity of Finding Second-Best Abductive Explanations
DIAG - Sapienza University of Rome(罗马大学DIAG)
在寻找一组给定的表现形式的溯因解释时,往往假设可能的解决方案之间的顺序。找到/验证最优解的复杂性是已知的。在本文中,我们考虑的计算复杂性找到次优解。我们考虑了不同的排序,也考虑了次优解的不同可能定义。
2015-05-14 cs.AI cs.LO
GANterfactual-RL: Understanding Reinforcement Learning Agents' Strategies through Visual Counterfactual Explanations
University of Augsburg(奥格斯堡大学);Oregon State University(俄勒冈州立大学)
反事实解释是解释人工智能模型的常用工具。对于强化学习(RL)代理,他们回答“为什么不呢?或者“如果?“的问题,通过说明需要对状态进行什么样的最小改变来使代理选择不同的动作。为具有视觉输入的RL代理生成反事实解释特别具有挑战性,因为它们的状态空间很大,而且它们的决策是总体政策的一部分,其中包括长期决策。然而,专注于反事实解释的研究,特别是对于具有视觉输入的RL代理,是稀缺的,并且没有超越识别有缺陷的代理。目前还不清楚反事实解释是否仍然有助于更复杂的任务,如分析不同代理人的学习策略或为特定任务选择合适的代理人。我们提出了一种新颖但简单的方法,通过将问题描述为域转移问题来生成RL代理的反事实解释,该问题允许使用StarGAN等对抗性学习技术。我们的方法是完全模型不可知的,我们证明,它优于只有以前的方法在几个计算指标。此外,我们在用户研究中表明,我们的方法在分析不同代理追求的策略时表现最好。
2023-02-24 cs.AI cs.LG
Manipulation Risks in Explainable AI: The Implications of the Disagreement Problem
University of Antwerp(安特卫普大学);INSEAD(欧洲工商管理学院)
本文研究可解释AI中的分歧问题带来的操纵风险,分析了解释提供者可能采取的操纵策略及其社会危害,并提出缓解策略。
2023-06-27 cs.AI
Explanation Strategies as an Empirical-Analytical Lens for Socio-Technical Contextualization of Machine Learning Interpretability
University of Twente(特文特大学);Freie Universität Berlin(柏林自由大学)
在一个研究项目中,我们开发了一个机器学习(ML)驱动的可视化系统,为非ML专家,我们反映在ML,计算机支持的协同工作和人机交互的可解释性研究。我们发现,虽然有多种技术方法,但这些方法通常集中在ML专家身上,并在非情境化的实证研究中进行评估。我们假设参与式设计研究可以支持我们项目中利益相关者的情境意义的理解,但是,发现关于ML可解释性的指导并不详尽。基于技术哲学,我们制定了解释策略,作为一个分析的镜头,说明技术解释如何调解有关人们的解释的上下文偏好。在本文中,我们贡献了一份报告,我们的概念证明使用解释策略来分析与非ML专家的协同设计研讨会,参与式设计研究的方法学意义,非ML专家解释的设计意义,并建议进一步调查ML可解释性空间中的技术中介理论。
2021-09-24 cs.AI cs.CY cs.HC
Understanding surrogate explanations: the interplay between complexity, fidelity and coverage
University of Bristol(布里斯托大学);AXA(安盛);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Polish Academy of Science(波兰科学院)
本文分析了替代解释背后的基本成分,以更好地理解其内部工作。我们开始我们的博览会,考虑全球代理,描述之间的权衡复杂性的代理和保真度的黑盒建模。我们发现,从全球到本地的过渡-减少覆盖面-允许更有利的条件上的帕累托边界的替代品的可靠性复杂性。我们讨论的复杂性,保真度和覆盖面之间的相互作用,并考虑如何不同的用户需求可能会导致问题的配方,这些都是限制或处罚。我们还提出了实验,演示如何本地代理可解释性程序可以互动,并导致更好的解释。
2021-07-09 cs.AI cs.LG
Experience-driven discovery of planning strategies
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对新规划策略的形成过程未知问题,本研究提出新规划策略通过元认知强化学习发现的观点,经实验与模型验证其比其他机制更能解释人类策略发现,但模型发现速率慢于人类,有待改进。
2024-12-04 cs.AI
Strategies to exploit XAI to improve classification systems
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学)
针对现有XAI研究重解释、轻系统改进的问题,本研究探究多种分类任务常用XAI方法的性能提升潜力,提出两种利用解释优化分类系统的策略,经三个数据集验证,积分梯度的解释特征可有效提升分类性能。
2023-06-09 cs.AI
Characterizing Human Explanation Strategies to Inform the Design of Explainable AI for Building Damage Assessment
Seoul National University(首尔大学);Carnegie Mellon University(卡内基梅隆大学)
可解释人工智能(XAI)是一种支持人类与人工智能协作执行高风险视觉检测任务的有前途的方法,例如来自卫星图像的损坏检测任务,因为全自动方法不太可能完全安全可靠。然而,大多数现有的XAI技术并不了解人类对解释的特定任务需求。因此,我们朝着了解人类在损伤检测任务中需要什么形式的XAI迈出了第一步。我们进行了一项在线众包研究,以了解人们在根据卫星图像评估建筑物损坏的严重程度时如何解释自己的评估。通过对60名群众工作者的研究,我们发现了人类用来解释他们的视觉损害评估的六种主要策略。我们目前的影响,我们的研究结果的设计XAI方法,这样的视觉检测环境,并讨论未来的研究机会。
2021-11-04 cs.AI cs.HC
Trading Complexity for Sparsity in Random Forest Explanations
CRIL(CRIL(计算机研究实验室));Université d’Artois(阿图瓦大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院)
随机森林一直被认为是机器学习中强大的模型集成。通过训练多个决策树,其多样性通过数据和特征子采样来培养,所产生的随机森林可以比单个决策树产生更稳定和可靠的预测。然而,这是以降低可解释性为代价的:虽然决策树通常很容易解释,但随机森林做出的预测更难以理解,因为它们涉及数百棵决策树的多数投票。在本文中,我们研究了不同类型的原因,解释“为什么”输入实例被归类为积极或消极的布尔随机森林。值得注意的是,作为一种替代充分的原因采取的形式的随机森林的主要含义,我们引入了主要的原因,这是严格多数的决策树的主要含义。对于这些不同的溯因解释,生成问题(找到一个原因)和最小化问题(找到一个最短的原因)的易处理性进行了研究。在各种数据集上进行的实验揭示了运行时复杂性和稀疏性之间的权衡。充分原因--识别问题是DP-完全的--略大于可以使用简单的线性时间贪心算法生成的多数原因,并且显著大于可以使用任何时间P ARTIAL MAXSAT算法接近的最小多数原因。
2021-08-11 cs.AI
Even-if Explanations: Formal Foundations, Priorities and Complexity
University of Calabria(卡拉布里亚大学)
本文研究半事实“即使”解释的形式基础与计算复杂性,证明线性与树模型比神经网络更可解释,并提出基于偏好的个性化解释框架及多项式算法。
2024-05-22 cs.AI cs.LG
Is explainable AI a race against model complexity?
Microsoft Research(微软研究院);University of Cambridge(剑桥大学)
随着模型的规模和复杂性的增长,解释智能系统的行为将变得越来越具有挑战性,也许是难以解决的挑战。我们可能无法期望大脑规模模型做出的每一个预测都得到解释,我们也不能期望解释保持客观或非政治性。我们对这些模型的功能主义理解并不像我们想象的那么有利。模型先于解释,即使在模型和解释都不正确的情况下也是有用的。可解释性可能永远不会赢得与复杂性的竞争,但这并不像它看起来那么成问题。
2022-05-17 cs.AI cs.HC cs.LG
On the Complexity-Faithfulness Trade-off of Gradient-Based Explanations
KTH Royal Institute of Technology(皇家理工学院)
针对ReLU网络梯度解释噪声大且现有平滑方法牺牲忠实度的问题,提出统一光谱框架量化平滑性与忠实度的权衡,揭示代理平滑导致的解释差距,并通过实验验证理论发现。
2025-08-14 cs.AI cs.CV cs.LG
Towards Explainable Strategy Templates using NLP Transformers
Moorfields Eye Hospital NHS Foundation Trust(摩尔菲尔德眼科医院国民保健服务基金会信托);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出一种结合NLP和LLMs的顶层算法,将自动智能体谈判中DRL学到的数学启发式策略转化为易懂的自然语言叙述,并通过示例验证了其适用性。
2023-11-23 cs.AI
Explaining Decisions in ML Models: a Parameterized Complexity Analysis (Part I)
本文从参数化复杂性角度系统研究决策树、决策集、布尔电路等透明机器学习模型中溯因与对比解释问题的计算复杂性,为可解释人工智能奠定理论基础。
2025-11-05 cs.AI
Symbolic Explanation of Affinity-Based Reinforcement Learning Agents with Markov Models
Sparebank 1 SR-Bank;Center for Artificial Intelligence Research(人工智能研究中心);University of Agder(阿格德大学)
人工智能的扩散越来越依赖于模型理解。理解既需要解释(人类对模型行为的推理),也需要解释(模型功能的符号表示)。尽管透明性对于安全、信任和接受至关重要,但最先进的强化学习算法的不透明性掩盖了其学习策略的雏形。我们已经开发了一个政策正规化的方法,断言学习策略的全球内在亲和力。这些相似性提供了一种推理策略行为的方法,从而使其具有内在的可解释性。我们已经展示了我们在个性化繁荣管理中的方法,其中个人的消费行为及时决定了他们的投资策略,即不同的消费个性可能与不同的投资类别有不同的关联。现在,我们通过用离散化的马尔可夫模型再现潜在的原型策略来解释我们的模型。这些全局代理是原型策略的符号表示。
2022-08-29 cs.AI cs.LG
Exploring Data Augmentation and Resampling Strategies for Transformer-Based Models to Address Class Imbalance in AI Scoring of Scientific Explanations in NGSS Classroom
Michigan State University(密歇根州立大学);CREATE for STEM(STEM创新计划);University of Houston(休斯顿大学)
本文研究了通过数据增强策略提升Transformer模型对科学解释评分的性能,发现GPT生成数据和ALP方法在处理严重类别不平衡时效果显著,优于传统过采样方法。
2026-03-21 cs.AI cs.LG
Clustering Player Strategies from Variable-Length Game Logs in Dominion
Pomona College(波莫纳学院)
我们提出了一种方法编码的纸牌游戏统治的数字功能的游戏日志。然后,我们在这些编码上运行流形学习算法t-SNE,以可视化玩家策略的景观。通过将游戏状态量化为玩家套牌中卡片的相对流行度,我们创建了捕捉玩家策略中定性差异的可视化。不同的偏离游戏初始状态的方式在可视化中显示为不同的光线,从而给出直观的解释。这是一个很有前途的新方向,可以理解不同长度的游戏中玩家的策略。
2018-12-12 cs.AI
Complexity of Faceted Explanations in Propositional Abduction
Jönköping University(约克ping大学);Jönköping University, Linköping University(约克ping大学、林克比大学);Linköping University(林克比大学)
本文研究了命题反向推理中分面解释的复杂性,提出通过分面分析来更细致地理解解释的异质性,并在Post框架中实现了几乎完全的刻画。
2025-07-20 cs.AI cs.CC cs.LO
How do Humans Understand Explanations from Machine Learning Systems? An Evaluation of the Human-Interpretability of Explanation
Harvard University(哈佛大学);Google Brain(谷歌大脑)
近年来,人们对机器学习系统的兴趣激增,这些系统可以为其预测或决策提供人类可理解的理由。然而,究竟什么样的解释是真正的人类解释仍然知之甚少。这项工作推进了我们对是什么使解释在特定的验证背景下可解释的理解。假设我们有一个预测X的机器学习系统,我们为这个预测X提供了基本原理。给定一个输入、一个解释和一个输出,输出是否与输入和假设的基本原理一致?通过一系列的用户研究,我们确定了什么样的复杂性增加对人类验证原理所需的时间影响最大,哪些似乎相对不敏感。
2018-02-02 cs.AI
Evaluating and Aggregating Feature-based Model Explanations
University of Cambridge(剑桥大学);Carnegie Mellon University(卡内基梅隆大学);The Alan Turing Institute(艾伦·图灵研究所)
基于特征的模型解释表示每个输入特征对给定数据点的模型输出的贡献程度。随着建议的解释功能的数量增加,我们缺乏定量的评估标准,以帮助从业者知道什么时候使用哪个解释功能。本文提出了基于特征的解释的定量评价标准:低敏感度,高忠实度,低复杂度。我们设计了一个框架聚合解释功能。我们开发了一个程序,学习一个聚合的解释函数具有较低的复杂性,然后推导出一个新的聚合Shapley值解释函数,最大限度地减少敏感性。
2020-05-01 cs.AI cs.CY cs.LG
Learning from Sufficient Rationales: Analysing the Relationship Between Explanation Faithfulness and Token-level Regularisation Strategies
Computational Linguistics and Text Mining Lab, Vrije Universiteit Amsterdam(范德比尔特大学阿姆斯特丹计算语言学与文本挖掘实验室);Institute of Computer Science, University of Göttingen(哥廷根大学计算机科学学院)
研究探讨了理性充分性与词级正则化策略的关系,发现高信息量理性对分类影响有限,而充分性反映非理性上下文对分类的影响,且跨领域分类效果因任务和模型类型而异。
2025-11-20 cs.AI cs.CL
On the Tractability of SHAP Explanations
University of California, Los Angeles(加州大学洛杉矶分校);University of Washington, Seattle(华盛顿大学西雅图分校)
SHAP解释是可解释AI的一种流行的特征归因机制。他们使用博弈论的概念来衡量个体特征对机器学习模型预测的影响。尽管最近学术界和工业界都有很多兴趣,但尚不清楚常见机器学习模型的SHAP解释是否可以有效地计算。在本文中,我们建立了计算的SHAP解释在三个重要的设置的复杂性。首先,我们考虑完全因子分解的数据分布,并表明计算SHAP解释的复杂性与计算模型期望值的复杂性相同。这种全因子分解的设置通常用于简化SHAP计算,但我们的结果表明,对于常用的模型(如逻辑回归),计算可能是棘手的。超越完全分解的分布,我们表明,计算SHAP解释已经是一个非常简单的设置:计算SHAP解释平凡的分类器在朴素贝叶斯分布。最后,我们表明,即使在经验分布上计算SHAP也是#P-hard的。
2021-01-31 cs.AI cs.CC cs.LG
On the Complexity of Global Necessary Reasons to Explain Classification
University of Milan(米兰大学);University of Bologna(博洛尼亚大学);University of Calabria(卡拉布里亚大学)
本文聚焦可解释AI中的全局解释问题,以分类器分配特定类别的最小必要条件解释分类行为,并针对常见最小性准则与重要分类器族开展了全面的复杂度分析。
2025-01-12 cs.AI
On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI
Faculty of Technology(技术学院);Bielefeld University(比勒菲尔德大学);Department of Business Development and Technology(商业发展与技术系);Aarhus University(哥本哈根大学);Department of Business Decisions and Analytics(商业决策与分析系);University of Vienna(维也纳大学)
本文研究了在XAI中生成反事实和半事实解释的计算难度,发现其在许多情况下具有计算复杂性,并提出了近似性结果以支持这一结论。
2026-01-14 cs.AI cs.LG
Can AI be a Teaching Partner? Evaluating ChatGPT, Gemini, and DeepSeek across Three Teaching Strategies
Federal Institute of São Paulo (IFSP)(圣保罗联邦学院);Graduate School of Education of University of Pennsylvania (UPENN)(宾夕法尼亚大学教育研究生院);Institute of Mathematics and Computer Sciences of University of São Paulo (USP)(圣保罗大学数学与计算机科学研究所);Nucleus of Excellence in Social Technologies (NEES) of Federal University of Alagoas (UFAL)(阿拉戈斯联邦大学社会技术卓越中心)
本文评估了ChatGPT、Gemini和DeepSeek在示例、解释与类比及苏格拉底方法三种教学策略中的表现,发现模型在前两种策略中表现相似,但在苏格拉底方法中表现差异显著,ChatGPT和Gemini得分较高,而DeepSeek得分较低。
2026-02-24 cs.AI cs.CY
The Limits of AI Explainability: An Algorithmic Information Theory Approach
Shrisha Rao
本文基于算法信息论建立AI可解释性的理论基础,通过Kolmogorov复杂度量化近似误差与解释复杂度,证明复杂度差距定理、局部与全局可解释性差距及监管不可能定理,揭示可解释AI系统设计、评估与监督的关键考量。
2025-11-03 cs.AI cs.CY cs.IT
Complexity of Propositional Abduction for Restricted Sets of Boolean Functions
Laboratoire d’Informatique Fondamentale(基础信息学实验室);CNRS(法国国家科学研究中心);Université d’Aix-Marseille II(艾克斯-马赛第二大学);Gottfried Wilhelm Leibniz Universität(戈特弗里德·威廉·莱布尼茨大学)
溯因推理是非单调推理的一种基本而重要的形式。给定一个解释世界如何运行的知识库,它旨在为一些观察到的现象找到解释。在本文中,我们专注于命题溯因,其中的知识库和表现形式表示的命题公式。决定是否存在解释的问题一般被证明是SigmaP 2-完全的。我们考虑通过限制允许的连接词在公式中的某些集合的布尔函数的变体。我们给出了一个完整的分类的复杂性的所有可观的布尔函数集。通过这种方式,我们确定更容易的情况下,即NP完全和多项式的情况下,我们突出的棘手的来源。此外,我们解决的问题,计数的解释,并绘制一个完整的图片计数的复杂性。
2010-06-28 cs.AI cs.CC cs.LO
Beyond the Black Box: Do More Complex Deep Learning Models Provide Superior XAI Explanations?
University of Warsaw(华沙大学);University of Antwerp(安特卫普大学)
本研究针对医疗领域AI模型可解释性问题,用四种ResNet架构在新冠肺部X光数据集上实验,发现模型复杂度升高反而分类性能下降,且多数情况下XAI解释相关性无显著差异,证明复杂度提升不必然带来性能与解释质量的提升。
2024-10-05 cs.AI cs.CV cs.LG
Explaining Decisions in ML Models: a Parameterized Complexity Analysis
University of Leeds(利兹大学);Sapienza University of Rome(罗马第一大学);TU Wien(维也纳技术大学)
本文对多种透明机器学习模型中的溯因和对比解释问题进行了参数化复杂度分析,填补了可解释AI领域的基础理论空白,为后续研究提供关键见解。
2024-07-22 cs.AI cs.CC
Supporting Calibrated Reliance in Human-AI Collaboration: Different Strategies for Different Tasks
Bar-Ilan University(巴伊兰大学);University of Virginia(弗吉尼亚大学);Department of Psychology, Ariel University(阿里尔大学心理学系)
研究揭示LLM解释在提升人机团队表现上的矛盾效果,通过三组实验发现解释增加信心但未必提升准确性,且可能抑制错误恢复能力,强调需转向校准依赖与有效错误恢复的设计。
2026-08-19 cs.AI cs.CL cs.HC
On the Tractability of SHAP Explanations under Markovian Distributions
LS2N, Université de Nantes(南特大学LS2N实验室)
本文放宽特征独立性假设,引入马尔可夫分布,证明在加权自动机、不相交DNF和决策树上计算SHAP分数可在多项式时间内完成,为SHAP计算提供了首个超越独立性假设的正面复杂性结果。
2024-05-24 cs.AI cs.LG
The role of explainability in creating trustworthy artificial intelligence for health care: a comprehensive survey of the terminology, design choices, and evaluation strategies
Erasmus University Medical Center(伊拉斯姆斯大学医学中心)
人工智能(AI)在改善人类健康和福祉方面具有巨大潜力,但在临床实践中的应用仍然有限。缺乏透明度被认为是实施的主要障碍之一,因为临床医生应该相信人工智能系统是可信的。可解释的人工智能有可能克服这个问题,并且可以成为迈向可信人工智能的一步。在本文中,我们回顾了最近的文献,为研究人员和从业者提供指导,为医疗保健领域设计可解释的AI系统,并有助于可解释的AI领域的形式化。我们认为,要求可解释性的原因决定了应该解释什么,因为这决定了可解释性属性(即可解释性和保真度)的相对重要性。在此基础上,我们提出了一个框架来指导可解释的人工智能方法(可解释的建模与事后解释;基于模型,基于属性或基于示例的解释;全局和局部解释)之间的选择。此外,我们发现,定量评价指标,这是重要的客观标准化评价,仍然缺乏一些属性(如清晰度)和类型的解释(例如,基于实例的方法)。我们的结论是,可解释的建模可以有助于可信的人工智能,但可解释性的好处仍然需要在实践中得到证明,并且可能需要采取补充措施来创建医疗保健中值得信赖的人工智能(例如报告数据质量,执行广泛的(外部)验证和监管)。
2021-01-05 cs.AI cs.LG stat.ML
Reasoning about Explanations for Negative Query Answers in DL-Lite
Free University of Bozen-Bolzano(博尔扎诺-博岑自由大学);Vienna University of Technology(维也纳工业大学);University of Oxford(牛津大学)
为了满足可用性需求,大多数基于逻辑的应用程序提供推理服务的解释设施。这也适用于描述逻辑,其中研究集中在TBox推理和最近的查询回答的解释上。除了解释查询答案中元组的存在之外,解释为什么给定的元组丢失也很重要。我们解决后一个问题,例如,通过采用溯因推理,在DL-Lite本体上进行合取查询回答;也就是说,我们寻找ABox的补充,强制给定的元组出现在结果中。作为推理任务,我们考虑存在和承认的解释,相关性和必要性的一个给定的声明的解释。我们刻画了这些问题的计算复杂性的任意,子集最小,基数最小的解释。
2014-02-04 cs.AI cs.LO
Shapley Explanation Networks
Purdue University(普渡大学)
Shapley值已成为最流行的特征属性解释方法之一。然而,大多数先前的工作都集中在事后Shapley解释上,由于其指数时间复杂度,这可能在计算上要求很高,并且在训练期间排除了基于Shapley解释的模型正则化。因此,我们建议将Shapley值本身作为深层模型中的潜在表示,从而使Shapley解释成为建模范式中的一等公民。这种内在解释方法可以实现分层解释,在训练期间对模型进行解释正则化,并在测试时进行快速解释计算。我们定义了Shapley变换,它将输入转换为给定特定函数的Shapley表示。我们将Shapley变换作为一个神经网络模块进行操作,并通过组合Shapley模块来构建浅层和深层网络,称为ShapNets。我们证明了我们的Shallow ShapNets计算精确的Shapley值,而我们的Deep ShapNets保持了Shapley值的缺失和准确性。我们在合成和真实世界的数据集上证明,我们的ShapNet能够实现分层Shapley解释,训练期间的新颖Shapley正则化,以及快速计算,同时保持合理的性能。代码可在https://github.com/inouye-lab/ShapleyExplanationNetworks上获得。
2021-04-06 cs.AI cs.LG
Interactive dense pixel visualizations for time series and model attribution explanations
University of Konstanz(康斯坦茨大学)
提出交互式可视化分析方法 DAVOTS,通过密集像素可视化探索时间序列数据、神经网络激活值与归因,并应用聚类和排序策略辅助发现模式,帮助理解模型决策与解释。
2024-08-27 cs.AI cs.HC cs.LG
Sustainable techniques to improve Data Quality for training image-based explanatory models for Recommender Systems
Universidade da Coruña(拉科鲁尼亚大学)
针对推荐系统视觉解释模型训练数据质量差的问题,提出三种可持续数据质量增强策略,提升排名指标5%且不损害可持续性。
2025-03-29 cs.AI cs.CV cs.IR
Why Reinforcement Learning in Energy Systems Needs Explanations
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对经济发展下基础设施复杂性增加及能源转型需求,本文探讨能源系统中强化学习的应用局限,提出模型解释可提升其说服力与实用性。
2024-05-29 cs.AI cs.SY eess.SY