偏好學習

可解釋 AI

利用 ILASP 邏輯編程提升神經網路推薦系統的可解釋性與透明度

面對神經網路推薦系統的「黑盒」特性，研究人員提出一種基於 ILASP 的事後（Post-hoc）歸納邏輯編程法，事後地將神經網路的預測結果轉化為可解釋的邏輯規則。透過 PCA 維度降低，克服高維度特徵挑戰，在食譜偏好學習中成功將黑盒模型近似化，提升推薦系統的透明度與可信度。