rrimyuu 님의 블로그

논문 링크: https://proceedings.neurips.cc/paper_files/paper/2022/file/65398a0eba88c9b4a1c38ae405b125ef-Paper-Datasets_and_Benchmarks.pdf 부록 링크: https://proceedings.neurips.cc/paper_files/paper/2022/file/65398a0eba88c9b4a1c38ae405b125ef-Supplemental-Datasets_and_Benchmarks.pdf 1. Introduction 예측 모델이 점점 더 중요 분야(예: 의료, 법률, 금융)에 배치됨에 따라, 이러한 모델의 예측 결과를 의사 결정자(예: 의사, 판사)에게 설명하는 것에 대한 중요성 증가이를 위해 최근 문헌에서는..

1. Introduction 심장병 (Heart disease) 은 전 세계적으로 흔한 사망 원인 중 하나임.ML 도구 및 등장은 의사가 질병의 특징과 증상과 같은 이유와 사망을 식별하는 데 도움. 지금까지 ML 모델을 사용한 심장병 연구는 설명이 부족함. ML 모델을 설명하는 데 가장 널리 사용되는 프레임워크는 LIME, SHapley Additive exPlanations (SHAP) 임. 본 연구는 심장병 분류를 설명하기 위해 SHAPASH, PDP 및 DALEX 모델을 사용한 최초의 연구임. ML 모델로 의 decision tree, random forest, support vector machine, and XGBoost 사용. 설명에 따라 특징 기여도 (feature contributions)..

1. Introduction XAI 는 복잡한 ML 모델의 투명성과 해석성을 강화하기 위함. 결정에 대한 명확하고 이해하기 쉬운 설명을 제공하는 데 중점.  AI 시스템에 대한 신뢰를 촉진하고 이해 관계자가 AI 기반 결론의 근거를 이해하고 검증할 수 있도록 하여 AI 의 책임성과 윤리적 사용을 촉진함. 2. Survey methodology 3. Application tasks of XAI for DL3.1. Healthcare 복잡한 기계 학습 모델의 의사 결정 과정을 명확히 하여 의료 전문가들 사이에서 신뢰와 자신감을 심어줌. 건강 관리 전문가들이 진단 결과의 근본적인 이유를 이해할 수 있게 함.개인 맞춤 의학 (personalized medicine) 에서 XAI를 통해 모델 예측을 명확히 하면 ..

1. Introduction1.1. interpretability and explainability 해석 가능성 (interpretability) 은 시스템의 의사 결정 과정을 이해할 수 있는 규칙으로 제공하는 것을 의미함. 해석 가능성은 임상 채택 (clinical adoption) 을 가능하게 하고, 더 나은 정확성을 확인하며, 의사가 AI 알고리즘이 결정을 내리는 과정을 이해하고 완화할 수 있게 함으로써 오류나 편향과 관련된 위험을 줄임. 또한 해석 가능성은 윤리적 및 법적 요구 사항 준수를 보장하고, 정보에 입각한 동의와 환자 참여를 촉진하며, 지속적인 피드백을 장려함. 설명 가능성 (explainability) 은 인간이 AI 의사 결정 과정을 접근하고 이해할 수 있도록 하는 인터페이스를 만드는..

Introduction acute ischemic stroke 은 clinical aspects such as age, patient characteristics, cognition, treatment, comorbidities, stroke severity, and even imaging biomarkers 영향으로 인해 functional outcomes 예측이 어려움. 최근 machine learning 과 deep learning 으로 인해 성능이 매우 향상되었지만 주로 clinical data 에 의존하며 AIS 를 예측하는 데 중요한 정보가 담긴 영상 데이터 (the extent of tissue damage, penumbra*, and collateral circulation) 를 통합하지 ..