XAI를 넘어: 설명 안내 학습에 대한 체계적 조사

딥 신경망(DNN)의 사회적 영향이 커짐에 따라 DNN을 발전시키기 위한 목표가 보다 복잡하고 다양해지고 있으며, 이는 기존 모델 정확도 지표 개선에서 공정성, 책임, 투명성 및 편향 없음과 같은 고급 인간 미덕을 주입하는 것까지 다양합니다. 최근 설명 가능한 인공지능(XAI) 기술이 상당한 주목을 받고 있으며, 이는 기계 학습(ML) 엔지니어가 AI 모델을 이해하는 데 엄청난 도움을 주었습니다. 그러나 동시에 AI 커뮤니티 내에서 XAI를 넘어서는 필요성이 떠오르기 시작했습니다. XAI에서 얻은 통찰을 바탕으로 ML 엔지니어가 DNN을 더 잘 조정하여 모델의 합리성과 성능을 의도한 대로 개선할 수 있는 방법은 무엇인가요? 이 기사는 DNN의 추론 과정을 조절하는 기술 도메인인 설명 안내 학습(EGL)의 분야에 대한 시의적절하고 광범위한 문헌 개요를 제공합니다. 이를 통해 우리는 먼저 EGL의 공식 정의와 일반 학습 패러다임을 제공합니다. 두 번째로 EGL 평가를 위한 주요 요소에 대한 개요와 함께 기존의 평가 절차 및 측정 지표의 요약 및 분류를 제공합니다. 마지막으로 EGL의 현재 및 잠재적인 미래 애플리케이션 영역과 방향에 대해 논의하며, 컴퓨터 비전 및 자연어 처리와 같은 다양한 인기 있는 애플리케이션 도메인에서 기존 EGL 모델 간의 포괄적인 비교 연구를 제공하는 것을 목표로 하는 광범위한 실험 연구를 제시합니다. 이벤트 예측과 관련된 추가 리소스는 기사 웹사이트에 포함되어 있습니다: https://kugaoyang.github.io/EGL/