بهبود روش LIME با نمونه برداري هوشمند و غير قطعي

LIME يكي از محبوب‌‌ترين مدل‌هاي هوش مصنوعي توضيح پذير(XAI )، است كه سعي در شفاف سازي دلايل تصيم‌ گيري مدل‌هاي مات و پيچيده هوش مصنوعي را در يك محليت خاص دارد. عليرغم محبوبيت LIME در بين متخصصان حوزه XAI، اين روش نقطه ضعف‌هايي دارد كه چالش‌هايي در به ‌كارگيري روش، خصوصا در كارهاي ضروري و حياتي مي‌شود. عدم ثبات توضيحات در تكرارهاي مختلف اجراي الگوريتم و عدم وفاداري مدل تفسير پذير محلي نسبت به مدل جعبه سياه از چالش‌هاي LIME است. در اين كار، ما LIME را با تمركز بر نمونه برداري هوشمند و غير قطعي از جهت ايجاد وفاداري و ثبات در توضيحات توليدي براي داده‌هاي جدولي در مسئله طبقه‌بندي دو كلاسه بهبود داده‌ايم. برتري خود را از روش‌ LIME، در وفاداري و ثبات با انجام آزمايشات نشان داده‌ايم.