可解释性人工智能（Explainable Artificial Intelligence ）思维导图各章节详细内容课件本专栏其他内容

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI

原文链接：Physics-informed machine learning | Nature Reviews Physics学习偏差另一种方法是从不同角度赋予神经网络（NN）先验知识。而不是设计专门的架构来隐含地强制执行这种知识，当前的努力旨在通过适当地惩罚传统 NN 近似的损失函数来以软方式施加这些约束。这种方法可以被视为多任务学习的一个特定用例，其中学习算法同时受到约束以拟合观测数据，并产生

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI可解释性人工智能（Explainable Artificial Intelligence, XAI）：概念，分类，机遇和挑战，迈向负责任的人工智能原文地址：Explain

可解释性人工智能（Explainable Artificial Intelligence, XAI）：概念，分类，机遇和挑战，迈向负责任的人工智能4. 机器学习模型的事后可解释性技术：分类、浅层模型和深度学习

原文链接：Physics-informed machine learning | Nature Reviews Physics物理信息机器学习（Physics-informed machine learning）摘要：尽管在使用偏微分方程（partial differwntial equations, PDEs）的数值离散化模拟多物理场问题方面取得了巨大进展，但仍无法将嘈杂数据无缝整合到现有算法中

认识到对观测现象通常没有唯一的物理解释，我们预见了建立不同预测模式、不同可信度的模式和理论之间的基于ML转换的重要性，这些转换在可验证的方式下是一对一的（可转换的、“对偶的”、可校准的）。从ML潜在空间特征到物理可解释的观测的转换，或从ML学习的算子到封闭形式方程的转换，显然将增强ML模型的解释性。这样，通过利用学习算法的潜在空间几何学，可以谨慎地选择新的和信息丰富的数据，而算法可以逐步改进潜在空

可解释性人工智能（Explainable Artificial Intelligence, XAI）：概念，分类，机遇和挑战，迈向负责任的人工智能4. 机器学习模型的事后可解释性技术：分类、浅层模型和深度学习

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI

可解释性人工智能（Explainable Artificial Intelligence ）思维导图各章节详细内容课件本专栏其他内容