Explaining Expert Search and Team Formation Systems with ExES

要約

専門家検索およびチーム形成システムはコラボレーション ネットワーク上で動作します。ノードは個人を表し、スキルがラベル付けされ、エッジはコラボレーション関係を示します。
必要なスキルに対応するキーワード クエリが与えられると、これらのシステムはクエリに最もよく一致する専門家を特定します。
しかし、この問題に対する最先端の解決策は透明性を欠いています。
この問題に対処するために、説明可能な人工知能 (XAI) の分野の事実と反事実の方法を使用して、専門家の検索とチーム編成システムを説明するように設計されたツール、ExES を提案します。
ExES は、事実に基づく説明を使用して重要なスキルやコラボレーションを強調し、反事実に基づく説明を使用して新しいスキルやコラボレーションを提案し、専門家として認定される可能性を高めます。
インタラクティブな説明ツールとしての実用的な展開に向けて、説明の検索を高速化するための一連の枝刈り戦略を提示し、実験的に評価します。
多くの場合、私たちの枝刈り戦略により、ExES は徹底的な検索よりも桁違いに高速になり、同時に簡潔で実用的な説明が生成されます。

要約(オリジナル)

Expert search and team formation systems operate on collaboration networks, with nodes representing individuals, labeled with their skills, and edges denoting collaboration relationships. Given a keyword query corresponding to the desired skills, these systems identify experts that best match the query. However, state-of-the-art solutions to this problem lack transparency. To address this issue, we propose ExES, a tool designed to explain expert search and team formation systems using factual and counterfactual methods from the field of explainable artificial intelligence (XAI). ExES uses factual explanations to highlight important skills and collaborations, and counterfactual explanations to suggest new skills and collaborations to increase the likelihood of being identified as an expert. Towards a practical deployment as an interactive explanation tool, we present and experimentally evaluate a suite of pruning strategies to speed up the explanation search. In many cases, our pruning strategies make ExES an order of magnitude faster than exhaustive search, while still producing concise and actionable explanations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google