Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
What and How of Machine Learning Transparency:Building Bespoke Explainability Tools withInteroperable Algorithmic Components
5
Zitationen
4
Autoren
2022
Jahr
Abstract
Sokol et al., (2022). What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components. Journal of Open Source Education, 5(58), 175, https://doi.org/10.21105/jose.00175
Ähnliche Arbeiten
Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization
2017 · 20.311 Zit.
Generative Adversarial Nets
2023 · 19.841 Zit.
Visualizing and Understanding Convolutional Networks
2014 · 15.238 Zit.
"Why Should I Trust You?"
2016 · 14.210 Zit.
On a Method to Measure Supervised Multiclass Model’s Interpretability: Application to Degradation Diagnosis (Short Paper)
2024 · 13.104 Zit.