Abstract


해석가능성은 기계학습 결과에 대하여 얼마나 설명이 가능한지에 대한 지표로 인공지능 시대에 중요한 요인으로 주목되고 있다. 본 강의에서는 해석가능한 기계학습(interpretable machine learning)에 대한 소개 및 최신 연구동향을 살펴본다. 본 강의는 1. Interpretable machine learning 개요 2. Interpretable machine learning 설명 3. Interpretability in deep learning 3부로 나뉜다. 1부에서는 해석가능성의 의미, 필요성, 종류 등을 살펴본다. 2부에서는 Shapley value와 Lime등 잘 알려진 interpretable machine learning 방법들을 소개한다. 3부에서는 deep Taylor(deep learning 기반)와 GIFT(tensor 기반) 등 deep learning에 적용된 interpretable machine learning 방법들을 살펴본다.


Course Content




Title Contents Slides
Part 1 Interpretable Machine Learning Basics What, why, and the types of Interpretable machine learning and how they can be evaluated Slides
Part 1 Interpretable Machine Learning Talk about various types of interpretable methods focusing on model agnostic methods Slides
Part 3 Interpretability in Deep Learning Talk about various interpretable methods in deep learning models Slides