機械学習モデルにおける意思決定の説明：パラメータ化された複雑性分析（第I部）

本論文では、さまざまな機械学習（ML）モデルにおける説明問題のパラメータ化された複雑性に関する包括的な理論的調査を提示します。一般的なブラックボックスの認識とは対照的に、私たちの研究は透明な内部メカニズムを持つモデルに焦点を当てています。説明問題には、帰納的および対比的の2つの主要なタイプがあり、それぞれの局所的およびグローバルなバリアントを扱います。我々の分析は、決定木、決定集合、決定リスト、ブール回路、そしてそれらのアンサンブルなど、さまざまなMLモデルを含み、各モデルは独自の説明上の課題を提供します。この研究は、これらのモデルに対する説明生成の複雑性に関する基礎的な理解を提供することによって、説明可能なAI（XAI）における重要なギャップを埋めます。この研究は、AIシステムにおける透明性と説明責任の必要性に関する広範な議論に貢献し、XAIの分野におけるさらなる研究にとって重要な洞察を提供します。