可解释人工智能导论，推荐序

推荐序：

          符号主义，知识驱动，天然可解释。专家知识获取苦难。深度学习，本质不可解释，难以得到用户信任。

          深度学习AI原理不可解释。网络缺乏鲁棒性；

          语义的不可解释性。深度学习挖掘数据中变量之间的关联，因果、混淆和样本选择偏差。

          通常找到的是“虚假”和“表面”的关联，而不是因果关系。降低信任程度。

          贝叶斯方法可以用来描述不确定性，又可用直观、清晰的图形描述变量之间的直接作用关系，

               刻画变量之间的条件独立性，从而学到可解释的、用户友好的特征。

          因果模型聚焦于因果关系，能够给出更加稳定和可靠的解释。

          结合知识驱动和数据驱动两种范式，从根本上解决可解释问题。

          如何将知识与深度模型结合，或者导入因果关系，有待进一步深入。