可解释人工智能导论：：：9787121431876

目录 推荐序 前言 作者介绍 第1章可解释人工智能概述 1.1为什么人工智能需要可解释性 1.2可解释人工智能 1.2.1目的、定义及范式 1.2.2层次、分类及应用场景 1.2.3解释的范畴 1.2.4解释的评价与度量 1.3可解释AI的历史及发展现状 1.3.1可解释AI历史回顾 1.3.2可解释AI发展现状 1.4本书结构及阅读建议 第2章贝叶斯方法 2.1贝叶斯网络 2.1.1贝叶斯网络的表示 2.1.2贝叶斯网络的推断 2.1.3贝叶斯网络的学习 2.1.4贝叶斯规划学习 2.2贝叶斯深度学习 2.2.1深度生成模型 2.2.2贝叶斯神经网络 2.3从贝叶斯网络到可解释的因果模型 2.4延伸阅读 2.5小结 第3章基于因果启发的稳定学习和反事实推理 3.1将因果引入机器学习的增益 3.1.1制约人工智能技术的可解释性和稳定性问题 3.1.2关联性和因果性 3.2挖掘数据中的因果关联 3.2.1因果推理框架和因果效应定义 3.2.2潜在结果框架下的因果效应评估 3.3稳定学习 3.3.1二值特征下的稳定学习 3.3.2连续特征下的稳定学习 3.3.3从统计学习角度的解释 3.3.4区分性变量去关联的稳定学习 3.3.5与深度神经网络相结合的稳定学习 3.4反事实推理 3.4.1二值类型干预的反事实推理 3.4.2多维类型干预下的反事实推理 3.4.3存在未观测混淆变量的反事实推理 3.5小结 第4章基于与或图模型的人机协作解释 4.1与或图模型 4.2基于与或图的多路径认知过程 4.3人机协作对齐人类认知结构和与或图模型 4.3.1通过交互式问答构建与人类认知系统对齐的与或图模型 4.3.2评价模型的可解读性：“气泡游戏”实验 4.3.3模型通过主动建模用户认知提升可解读性 4.4小结 第5章对深度神经网络的解释 5.1神经网络特征可视化 5.1.1优选激活响应可视化 5.1.2网络解剖与特征语义分析 5.1.3基于反向传播的输入重建可视化 5.1.4CAM/Grad-CAM 5.2输入单元重要性归因 5.2.1SHAP算法 5.2.2导向反向传播算法 5.2.3逐层相关性传播算法 5.2.4积分梯度算法 5.2.5LIME 5.3博弈交互解释性理论 5.3.1理论基础：沙普利值 5.3.2博弈交互的定义 5.3.3博弈交互的性质 5.3.4博弈交互与语义表达 5.3.5解释随机失活操作 5.3.6解释批规范化操作 5.3.7解释对抗迁移性和对抗鲁棒性 5.4对神经网络特征质量解构、解释和可视化 5.4.1解释表征一致性 5.4.2解释复杂度 5.5对表达结构的解释 5.5.1代理模型解释 5.5.2对自然语言网络中语言结构的提取和解释 5.6可解释的神经网络 5.6.1胶囊网络 5.6.2β-变分自编码器 5.6.3可解释的卷积神经网络 5.6.4可解释的组成卷积神经网络 5.7小结 第6章生物医疗应用中的可解释人工智能 6.1基因编辑系统优化设计中的可解释人工智能 6.1.1基因编辑系统背景介绍 6.1.2基因编辑系统优化设计可解释AI模型构建 6.2医学影像中的可解释性 6.2.1概述 6.2.2可解释性胸片诊断 6.2.3具有自适应性的通用模型学习 6.3小结 第7章金融应用中的可解释人工智能 7.1简介 7.1.1金融行业背景介绍 7.1.2金融市场介绍 7.1.3可解释AI面向各金融行业对象的必要性 7.1.4金融监管对于可解释性的要求 7.2金融可解释AI的案例 7.2.1事后可解释模型解释人工智能量化模型 7.2.2高风险客户信用违约预测 7.2.3对金融人工智能模型可解释性的监管 7.3金融可解释AI的发展方向 7.3.1安全性 7.3.2平衡性 7.3.3完整性 7.3.4交互性 7.3.5时效性 7.3.6深化推广应用 7.4延伸阅读 7.5小结 第8章计算机视觉应用中的可解释人工智能 8.1背景 8.1.1机器视觉与可解释性 8.1.2可解释性与机器视觉发展 8.2视觉关系抽取 8.2.1基本概念 8.2.2视觉关系检测中可解释性的重要性 8.2.3可解释视觉关系抽取 8.3视觉推理 8.3.1基本概念 8.3.2可解释视觉推理示例 8.4视觉鲁棒性 8.4.1动态与静态可解释性分析 8.4.2数字世界与物理世界模型安全可解释性 8.5视觉问答 8.5.1基本概念 8.5.2视觉问答中可解释性的重要性 8.5.3可解释性视觉问答示例 8.6知识发现 8.6.1基本概念 8.6.2视觉可解释性与知识发现的关系 8.6.3可解释性知识发现案例 8.7小结 第9章自然语言处理中的可解释人工智能 9.1简介.243 9.2可解释自然语言处理中的模型结构分析 9.2.1为什么模型结构分析很重要 9.2.2设置探针任务窥探模型结构的功能 9.2.3错误类型分析 9.2.4可解释评估 9.3可解释自然语言处理中的模型行为分析 9.3.1为什么模型行为分析很重要 9.3.2预测行为分析 9.4自然语言处理任务中的可解释性 9.4.1对话系统 9.4.2智能问答系统 9.4.3情感分析系统 9.4.4自动文摘系统 9.5延伸阅读 9.5.1鲁棒性分析 9.5.2泛化性分析 9.6小结 第10章推荐系统中的可解释人工智能 10.1简介 10.2初探可解释推荐 10.3可解释推荐的历史与背景 10.4推荐系统基础 10.4.1推荐系统的输入 10.4.2推荐系统的输出 10.4.3推荐系统的三大核心问题 10.5基本的推荐模型 10.5.1协同过滤 10.5.2协同推理 10.6可解释的推荐模型 10.7可解释推荐的应用 10.7.1电子商务 10.7.2社交网站 10.7.3基于位置的服务 10.7.4多媒体系统 10.7.5其他应用 10.8延伸阅读：其他可解释推荐模型 10.8.1基于图和知识图谱的可解释推荐模型 10.8.2深度学习推荐系统的可解释性 10.8.3基于自然语言生成的解释 10.8.4基于因果和反事实推理的解释 10.9小结 第11章结论 附录A传统机器学习中的可解释模型 A.1线性回归 A.2逻辑回归 A.3决策树 附录B可解释人工智能相关研究资源 B.1图书 B.2综述论文 B.3Workshop及论文集 B.4Tutorial B.5代码 参考文献 索引

"阐述可解释AI研究的问题和方法，详尽展示其广泛应用和积极作用。 领域名家扛鼎之作。本书汇集了人工智能领域的12位名家，他们均是机器学习、计算机视觉、自然语言处理，以及在生物医疗、金融、推荐系统等应用领域的集大成者，研究成果卓著，本书正是诸位专家数年研究成果的扛鼎之作。 系统全面自成一体。本书讨论了可解释AI 的目的、定义、范畴、面临的挑战及未来发展方向，特别是本书多角度论述了可解释AI 的不足，并提出了基于人机交互沟通的可解释AI 范式。 知识完备循序渐进。作为一本导论性质的介绍图书，本书内容深入浅出，从基础的人工智能的可解释性概念层面展开讨论，先帮助读者建立对可解释AI 的直观、形象的理解，再介绍可解释AI 的前沿方法，最后通过一系列丰富的行业应用案例，巩固读者对书中所介绍的可解释AI 技术的理解，从而完成对可解释AI领域循序渐进的介绍。 理论实践价值兼备。本书系统地论述了可解释AI 的理论发展现状，并按照五类分类介绍了解释性方法，即可解释图模型、贝叶斯深度学习模型、基于知识图谱的可解释模型、基于可解释性的交流学习、对神经网络的解释。同时，本书从介绍了可解释性方法在医疗、金融、视觉、自然语言处理、推荐系统等方面的应用角度出发，明确指出在各种场景下解释所要达到的具体目标。 应用案例翔实丰富。本书从分析对可解释AI 的实际需求出发，深入及时地介绍近期新前沿方法。全书共有15个应用案例，分别包括：基因编辑和医学影像处理，金融量化投资和信用违约预测，模型安全、视觉问答和知识发现，对话系统、智能问答、情感分析和自动文摘，电子商务、社交网站、基于位置的服务和多媒体系统。不同行业的产业从业者，都可以从中了解可解释AI的落地方法。 内容实用覆盖面广。本书覆盖人群广泛，对于入门读者，本书对可解释AI 前沿技术及时归纳梳理，并深入浅出地介绍；对于资深的研究者，本书也给出了进阶的研究路径；对于行业应用者，本书提出了选择不同解决方案的依据。同时，本书也照顾到关注人工智能应用及具有社会影响力的人士，包括政策制定者、法律工作者和社会科学研究人士。 配套资源丰富齐全。本书配备丰富的学习资料，包括配套PPT、可解释AI 相关的开源资源、中英术语对照、索引和全书的参考文献，供读者进一步查阅学习。"

本书全面介绍可解释人工智能的基础知识、理论方法和行业应用。全书分为三部分，共11 章。第一部分为 章，揭示基于数据驱动的人工智能系统决策机制，提出一种基于人机沟通交互场景的可解释人工智能范式。第二部分为第2～5 章，介绍各种可解释人工智能技术方法，包括贝叶斯方法、基于因果启发的稳定学习和反事实推理、基于与或图模型的人机协作解释、对深度神经网络的解释。第三部分为第6～10 章，分别介绍可解释人工智能在生物医疗、金融、计算机视觉、自然语言处理、推荐系统等领域的应用案例，详细说明可解释性在司法、城市管理、安防和制造等实际应用中发挥的积极作用。第11 章对全书进行总结，并论述可解释人工智能研究面临的挑战和未来发展趋势。此外，本书的附录给出可解释人工智能相关的开源资源、中英文术语对照及索引，方便读者进一步查阅。本书既适合高等院校计算机和信息处理相关专业的高年级本科生和研究生，以及人工智能领域的研究员和学者阅读；也适合关注人工智能应用及其社会影响力的政策制定者、法律工作者、社会科学研究人士等阅读。

"本书全面介绍了可解释人工智能在理论上和应用上的发展现状、存在的问题，以及今后发展的方向，对于想了解人工智能和有意献身人工智能事业的研究者、开发者、决策者和使用者来讲，都是一部很好的参考书。 张钹 中国科学院院士，清华大学人工智能研究院院长 杨强教授领衔撰写的这本可解释人工智能专著，系统性地总结了对于机器学习本质的深度理解和探索，提出了一种面向人机协作的交互式可解释人工智能范式。本书通过计算机视觉、自然语言处理、推荐系统等技术领域，以及生物医疗和电商金融等应用领域的实际案例，展示了可解释人工智能对提升公众信任及满足监管需求的积极作用。我相信各行各业关心人工智能发展的读者，包括高校计算机及人工智能专业的老师和同学等，都可以从这本专著中发现各种有益的论述和有趣的观点。 沈向洋 微软前优选执行副总裁，美国国家工程院外籍院士，英国皇家工程院外籍院士 可解释人工智能是一个颇受关注的重要论题，但其内涵和外延的很多方面还缺乏共识。杨强教授领衔撰写的这本书对可解释人工智能进行了生动的探讨，尤其是给出了多个应用领域案例。即便是缺乏相关专业知识的读者，阅读后也能有所收获。 周志华 南京大学人工智能学院院长， ACM/AAAI Fellow"