可解释性14 / 45 个项目

一种基于博弈论的方法，用于解释任何机器学习模型的输出。

面向计算机视觉的高级 AI 可解释性。支持 CNN、Vision Transformer、分类、目标检测、分割、图像相似度等。

拟合可解释模型。解释黑盒机器学习。

用于神经网络可解释性研究的基础设施和工具集合。

与🤗 transformers无缝协作的模型可解释性工具。仅需两行代码即可解释你的transformers模型。

nnsight 包支持解释和操作深度学习模型的内部结构。

[ICCV 2021 - 口头报告] 通用注意力模型可解释性用于解释双模态和编码器-解码器 Transformer 的官方 PyTorch 实现，一种可视化任何基于 Transformer 网络的新方法。包括 DETR、VQA 的示例

在GPT中定位和编辑事实关联 (NeurIPS 2022)

训练可解释ML模型、解释ML模型以及调试ML模型以提升准确性、公平性和安全性的技术示例。

[Pattern Recognition 25] CLIP手术：通过增强开放词汇任务的可解释性

一个用于文本分类中可解释机器学习的Python库，基于SS3模型，提供易于使用的可解释AI可视化工具 :octocat:

Diffusers-Interpret 🤗🧨🕵️‍♀️: 🤗 Diffusers的模型可解释性。获取生成图像的解释。

可解释深度单类分类论文的仓库

“BLEU遇见COMET：结合词汇和神经指标以实现稳健的机器翻译评估”的仓库，已被EAMT 2023接收。