亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

異構多智能體系統為解決農業、軍事、裝配和倉庫自動化等不同領域的復雜問題提供了可能，否則單個智能體是無法解決這些問題的。要有效部署異構多機器人團隊，研究必須解決不同抽象程度的四個問題：任務規劃（是什么）、運動規劃（如何）、任務分配（誰）和調度（何時）。這些問題高度相互依存，先前的工作已經證明，利用這些問題的單個解決方案之間的協同作用的系統可以提高多機器人協調的效率和效益。

本文研究了在多智能體組隊應用中使用基于特質的模型來表示單個智能體，以及如何利用基于特質的建模來實現更穩健、更高效的多智能體聯盟組建解決方案。具體來說，我們研究了如何在聯盟組建算法中使用這些技術來回答任務分配、調度、運動規劃和任務規劃這四個問題。

我們的研究表明，利用基于機器人和任務特質建模的算法可以在異構多機器人團隊中實現高效的協調，并且在時間進度、分配質量和計算效率方面優于現有方法。本論文的貢獻如下：

• 創建一個建模框架，使現代任務分配算法能夠推理動態特征。通過使用基于轉換的建模框架，我們創建了對以往基于特質的建模技術的擴展，以更好地推理智能體的特質如何隨時間變化。

• 為異構多機器人系統開發基于時間擴展特質的任務分配和路徑規劃統一框架。我們引入了一種基于搜索的方法，用于基于特質的時間擴展任務分配和運動規劃，命名為增量任務分配圖搜索（ITAGS）。

• 整合任務規劃、任務分配、調度和運動規劃的新型多機器人協調問題的形式化和解決方案。我們形式化了一類新的多機器人協調問題，該問題融合了這些問題中的每一個，并提出了一種解決方案（圖形遞歸同步任務分配、規劃和調度（GRSTAPS））。

• 為 ITAGS 的動態變體創建框架，該變體能夠進行基于特征的任務分配修復： 我們對 ITAGS 進行了擴展，使用基于特質的動態時間擴展任務分配算法，如果智能體的特質或任務要求在執行過程中發生變化，該算法可以修復任務分配。

• 創建一個主動學習框架，用于學習多智能體任務分配問題的特質要求： 由于理解一個聯盟的特質與該聯盟在特定任務中的表現之間的關系可能具有挑戰性，因此我們提出了一種主動學習框架來學習任務與特質之間的關系。此外，我們還提供了一種新的時間擴展任務分配算法，該算法能夠優化學習到的質量模型。

圖 2.1： 顯示各種多機器人協調問題交叉點的維恩圖。

在過去的幾個世紀里，由于科學和工業的重大突破，社會發生了巨大的變化。新的機械和電子技術使自動化機器取代人類勞動成為可能。機器人技術的標準化旨在將這一發展推向新的高度，取代人類對物質世界的干預，甚至在我們生活中曾經被認為是微不足道的領域，如駕駛、清潔和美化環境。機器人已被用于執行瑣碎、體力消耗大、重復和單調的任務。此外，它們還可以在危險或難以接近的環境中工作，從而超越人類的能力。從經濟角度看，使用機器人勞動很有吸引力，因為機器可以連續作業。

隨著機器人在我們的工業和日常生活中越來越普遍，它們有可能從根本上改變我們與工作的關系。然而，機器人技術在社會中的全部潛力尚未實現，需要進一步的研究、工程和創新，以更好地了解和擴大其應用。

自動化系統面臨的主要挑戰之一是需要在真實的、因此也是不確定的條件下運行。由于機器人的決策是基于描述自身及其環境的模型，因此后者的數學完美性在描述現實時不可避免地受到限制。一個典型的問題就是參數不確定性，這可能會在執行運動任務時出現，例如當移動機器人必須到達一個特定位置以執行抓取物體等任務時。如果采用的模型是有效的，但輸入的參數有誤，則任務執行情況可能與預期的名義行為不同。

為了克服機器人技術中固有的這一基本問題，主要的解決方案是設計專門解決這一問題的控制器，同時確保即使在參數偏差的情況下也能保持穩定的行為。第一種經典方法是開發魯棒控制器，即針對有限范圍的參數不確定性保證一定程度不敏感的靜態控制法則。不過，這些控制法則必須專門針對當前系統進行調整。基于被動性的方法也可包含在魯棒控制中，它們利用系統的結構能量特性，對系統參數的變化保持不變。

另一種方法是在執行控制操作的同時進行在線參數估計。這種方法包括向控制器發送最新的測量結果，控制器會根據變化情況加入額外的動態參數。不過，在線參數估計并非易事，因為它需要充分激發機器人的動力，這可能會與主要導航任務發生沖突。此外，估算的動態可能會產生不良瞬態，從而增加損害耦合系統/估算穩定性的風險。

在上述情況下，實現穩健性往往要以犧牲任務的精度或性能為代價。事實上，權衡利弊是不可避免的：要么選擇一個完美的控制器，確保跟蹤任務的高精度，但它依賴于對模型參數的充分了解（因此非常容易受到干擾）；要么選擇一個控制器，確保一定程度的抗干擾魯棒性，但往往只能實現所謂的實用穩定。

另一種觀點則顛倒了應對參數不確定性的主要設計理念：與其將重點放在設計復雜的控制器上，不如保持系統/控制器的原樣，保留其優缺點，并將重點放在優化軌跡上，以提高參數不確定系統的性能。從這一角度出發，近期的工作重點是生成所謂的前饋軌跡，這種軌跡可以適當地將系統的 “開環 ”狀態敏感性降至最低。

最近，這些工作已擴展到規劃 “閉環 ”狀態靈敏度最小的軌跡。這項新研究被稱為 “控制感知”（control-aware），它將系統/控制器耦合直接整合到優化中。這樣，即使在參數不確定的情況下，對運動設定點形狀的適當選擇也能確保導航任務的穩健性。這種方法可能對未來的許多應用都有好處，我們認為值得進一步開發。

在這方面，本論文的主要目標是探索魯棒、控制感知軌跡規劃在參數不確定性方面提供的可能性和局限性。研究問題更明確地表述為四旋翼飛行器新型軌跡規劃框架的設計（和實施）。所介紹軟件方法的有效性始終通過廣泛的統計模擬活動進行實證評估。

近年來，對無人駕駛車輛等自主實體的研究開始給軍事和民用設備帶來革命性的變化。自主實體的一個重要研究重點是自主機器人群的協調問題。傳統上，機器人模型被用于考慮操作機器人群所需最低規格的算法。然而，這些理論模型也忽略了重要的實際細節。其中一些細節，如時間，以前也曾被考慮過（如執行的歷時）。在本論文中，將結合幾個問題來研究這些細節，并引入新的性能指標來捕捉實際細節。具體來說，我們引入了三個新指標：(1) 距離復雜度（反映機器人的耗電量和損耗），(2) 空間復雜度（反映算法運行所需的空間），(3) 局部計算復雜度（反映蜂群中每個機器人的計算要求）。

將這些指標應用于研究一些著名的重要問題，如完全可見性和任意模式形成。還引入并研究了一個新問題--"門道出口"，它抓住了機器人群在受限空間中導航的本質。首先，研究了一類完全可見性算法所使用的距離和空間復雜性。其次，提供了整數平面上的完全可見性算法，包括一些在時間、距離復雜度和空間復雜度方面漸近最優的算法。第三，介紹了門道出口問題，并為各種機器人群模型提供了不同最優性的算法。最后，還提供了網格上任意圖案形成的最優算法。

近年來，計算機視覺和機器學習系統有了顯著改善，這主要是基于深度學習系統的發展，從而在目標檢測任務上取得了令人印象深刻的性能。理解圖像內容則要困難得多。即使是簡單的情況，如 "握手"、"遛狗"、"打乒乓球 "或 "人們在等公交車"，也會帶來巨大的挑戰。每種情況都由共同的目標組成，但既不能作為單一實體進行可靠的檢測，也不能通過其各部分的簡單共同出現進行檢測。

這篇論文將描述一個用于進行視覺情境識別的新型系統，其目標是開發能夠展示與理解相關特性的機器學習系統。該系統被稱為 Situate，它能在給出情況描述和少量標注訓練集的情況下，學習目標外觀模型以及捕捉情況預期空間關系的概率模型。給定一張新圖片后，Situate 會利用其學習到的模型和一系列智能體對輸入內容進行主動搜索，以找到情況模型與圖片內容之間最一致的對應關系。每個智能體都會開發模型與輸入內容之間可能存在的對應關系，而 Situate 會為智能體分配計算資源，以便盡早開發出有希望的解決方案，但也不會忽略其他對應關系。

將把 Situate 與更傳統的計算機視覺方法（該方法依賴于檢測情境中的組成目標）以及基于 "場景圖 "的相關圖像檢索系統進行比較。將在情境識別任務和圖像檢索中對每種方法進行評估。結果表明了圖像內容和該內容模型之間的反饋系統的價值。

現在，模擬被更頻繁地用于對現實世界或擬議系統進行實驗，以了解系統行為或評估改進策略。隨著時間的推移，大型企業越來越需要開發精密復雜的系統來與同行業競爭。而且，這些企業之間的聯系越來越緊密，就像一個網絡化的企業。這就進一步提高了開發能與其他企業互聯的越來越復雜的模擬的要求。在這方面，分布式仿真已廣泛應用于軍事領域，但在其他領域并沒有得到普及。這背后的原因是，在分布式仿真之間建立通信協議需要專業技術知識。科研行業一直在努力縮小這一差距，其中最重要的工作是制定高級架構（HLA）標準，為分布式仿真模型之間提供通用通信協議。

建模與仿真（M&S）行業也為開發人員提供了大量有關獨立仿真建模的文獻。在這種情況下，概念建模的重點是模型的準確性和效率，而不是互操作性。本研究也對此進行了詳細討論。直到最近，從業人員也一直在努力尋找對底層技術的支持。但隨著標準運行時基礎設施（RTI）和仿真開發平臺支持的引入，這一差距已經縮小。

HLA 標準承諾解決分布式仿真模型之間的互操作性問題，但只能提供語法層面的標準指南。因此，仿真互操作性標準組織（SISO）繼續開展研究，確定了從業人員在語義層面面臨的互操作性問題，并起草了一份互操作性問題清單。然而，已發布的 SISO-STD-006-2010 標準只指出了問題，卻沒有提供語義解決方案。

本研究的主要貢獻是提出了分布式仿真互操作性（DSI）框架，為《商用現成仿真包互操作性參考模型》（SISO-STD-006-2010）中列出的互操作性問題確定了語義解決方案。本研究建議將這些互操作性語義解決方案納入 HLA 對象建模模板規范。這樣做將有助于行業從業人員實現 HLA 的互操作性承諾，并使分布式仿真模型更具可重用性和可組合性。

多智能體自主系統與實時規劃有關的研究日益增多，本論文就是對這一研究的貢獻。多年來，由移動智能體組成的自主系統已被證明是用于探索（如太空機器人）、軍事（如搜救行動）和工業應用（如谷歌自動駕駛汽車）的高效、穩健和多功能工具。隨著自主技術日趨成熟，部署多個自主智能體來完成復雜的任務在許多不同的應用中都受到了廣泛關注。如果單個智能體可以完成一項任務，那么多個智能體就有可能更快地完成任務。然而，引入多個智能體會使整個系統變得更加復雜，因為現在的智能體需要能夠有效地相互協作。在沒有有效協作機制的情況下隨機引入智能體，可能會對生產率產生負面影響。

本論文的研究目標是使多智能體自主系統在現實應用中無處不在。我們采用了自下而上的方法來開發算法機制，以應對我們在實現這一目標的道路上所面臨的挑戰。

對于在動態環境中運行的智能體來說，能否成功執行任務取決于它能否有效地導航到目標位置。如果我們在環境中引入更多的智能體，路徑規劃的要求就會更高，因為現在智能體之間必須把彼此當作動態障礙物來對待。路徑規劃算法不僅需要避開障礙物，還需要足夠快的速度，以便在移動智能體在導航過程中遇到意外障礙時重新規劃。此外，路徑規劃算法還需要保證智能體能夠在滿足機械約束條件的情況下穿越路徑。

我們開發了一種基于隨機優化的同步重規劃矢量粒子群優化算法（SRVPSO），通過避開靜態和動態障礙物來找出成本最優的路徑。所提出的算法通過應用同步重新規劃策略，減少了路徑規劃的計算時間。SRVPSO 算法還能在一些車輛約束條件下工作，如車輛尺寸和轉向角。此外，還開發了一種不同地形的可穿越性評估方法，以便在未知環境中進行無風險、穩健的導航，同時優化總成本。

由移動智能體群組成的自主系統需要一個有效的任務規劃器來成功完成一系列任務。任務規劃器所面臨的挑戰是如何為每個智能體確定最優化的任務數量和相關任務。為了解決多智能體自主系統任務規劃過程中的任務分解和任務分配問題，我們開發了一個折中視圖（CV）模型和一個基于最近鄰搜索（NNS）的模型。結果表明，這些模型因其反應式管理結構而非常有效，能成功完成任務。NNS 模型能有效地解決智能體的分解問題。它還具有任務切換能力。

任務規劃器的多目標優化框架可確定任務所需的智能體數量。任務規劃器利用所開發的任務分解方法，最大限度地減少完成任務的時間以及智能體的數量。多目標框架的輸出是帕累托最優值，然后將其作為決策框架的輸入，根據用戶定義的一些約束條件和優先事項確定優化的智能體數量。在測量完成任務的時間時，任務規劃器利用先前開發的路徑規劃器模擬智能體在環境中的導航軌跡，以提供最準確的估計。

然而，正在進行的任務可能會受到突發事件的影響（如一些天氣事件、智能體的意外維護要求等）。未來任務的規劃取決于正在進行的任務，因為它提供了對資源可用性的估計。需要一個現實的預測模型，利用過去任務的信息，對當前任務的完成情況進行統計估計。

我們開發了一個基于人工神經網絡的預測模型，根據以往任務的信息預測任務的完成時間。該預測模型旨在為潛在的任務規劃者提供指導。利用這一數值模型，未來的規劃者可以預測所需的資源，而無需經過優化過程。上述所有算法工具都通過大量的模擬結果和實時實驗進行了演示。

隨著現代系統日益復雜，傳統的測試方法已顯不足。用于驗證這類大型復雜系統軟件的測試文檔套件可能變得臃腫而不清晰，導致執行時間極長，測試程序混亂而難以管理。此外，這些系統的復雜性也會阻礙對復雜系統概念和行為的快速理解，而這正是跟上現代測試工作要求的必要組成部分。

測試與評估（T&E）領域存在優化和創新的機會，自動測試框架和迭代測試方法的出現就是證明。基于模型的系統工程（MBSE）等相關概念的定向擴展和應用將帶來更多機遇。本論文記錄了在應用于實際項目時加強測試與評估領域的三種方法的開發和實施情況。首先，系統的開發方法從瀑布式（Waterfall）過渡到了敏捷式（Agile），從而在創建新功能時提供了一種反應更快的方法。其次，開發了測試自動化框架（TAF），實現了測試程序的自動執行。第三，使用系統建模語言（SysML）創建了一種測試文檔方法，采用了 MBSE 的概念，使測試程序的規劃和分析標準化。

本論文提供了將這三個概念應用于機載電子戰管理系統（EWMS）開發過程的結果，該系統與機載和機外系統連接，接收和處理威脅環境，為飛行員或機組人員提供保護飛機的響應解決方案。該系統是一個傳統的長期航空航天項目的代表，在其生命周期內不斷升級。在為期兩年的時間里，這一新流程產生了一系列定性和定量結果，包括提高了測試文檔套件的質量和組織性，縮短了執行測試程序的最短時間，能夠更早地識別缺陷，并提高了被測系統的整體質量。在應用這些概念的過程中，我們還汲取了許多經驗教訓。項目開發方法的轉型、測試方法的現代化以及新測試文檔系統的引入可能會為系統開發帶來顯著的效益，但這些類型的流程變革必須與項目需求進行權衡。本論文詳細介紹了在一個示例項目中為提高測試與評估流程的有效性所做的努力，并以此作為在類似系統中實施的框架。

測試是系統或產品開發生命周期的重要組成部分。適當的驗證和確認工作有助于確保產品按預期開發并滿足客戶需求。美國國家航空航天局（NASA）估計，測試工作占大型航空航天項目軟件開發總成本的 75% 至 88%。如下圖 1 所示，高度復雜的系統需要極其龐大的源代碼基線（例如，截至 2012 年，F-35 戰斗機和支持軟件的源代碼行數（SLOC）總計超過 2400 萬行），這就需要大量的測試工作來進行適當的驗證。

此外，現代軟件工程實踐通常不支持確保軟件質量所需的回歸測試管理。隨著現代系統的復雜性不斷增加，以及對網絡安全等系統開發相對較新方面的關注，傳統的測試方法需要優化和創新。

截至 2007 年，"來自行業的數據顯示，在過去 40 年中，各種系統和應用軟件的規模呈指數增長"。這種指數式增長直接影響到用于測試這些系統的程序的規模和復雜性。此外，隨著產品的成熟和長期使用，為產品開發的測試套件的規模也會大幅增加。通常情況下，這種增長會產生大量的測試程序，隨著時間的推移，這些測試程序會不斷演變，從而形成一個測試套件，在某些方面，它本身就可以被視為一個產品。這種測試套件的演變可能是由多個測試工程師共同完成的，這可能會造成風格不一致，并增加一層復雜性。這種高度的復雜性可能會產生各種與測試相關的問題：

• 測試執行時間過長
• 測試程序混亂
• 測試覆蓋范圍不完整
• 測試范圍重疊的重復測試程序
• 需求跟蹤不完整
• 無法專注于特定功能的回歸測試

如果不加以糾正，這些問題可能會在以下方面影響整個開發流程：

• 無法快速發布新的更新
• 無法適應設計變更
• 發布未經充分測試的產品
• 對未發生變化的組件浪費測試精力

在過去幾年中，測試工程工作量大幅增加。這與提高生產力和效率的目標一起，制定了以下目標：

• 提高測試程序套件的可維護性

  • 小型系統的測試程序可能不足 100 頁，而大型系統的測試程序可能長達數百至數千頁。

  • 一些測試程序變得臃腫和混亂，導致出錯時需要花費更多的調查時間。

• 提高需求與測試程序之間的可追溯性

  • 不同系統的需求映射并不總是一致的。

  • 根據程序的歷史和客戶需求，有些系統沒有需求跟蹤，而有些系統則有測試步驟的需求跟蹤。

• 減少小版本和大版本的測試執行時間

  • 對于較簡單或較非正式的系統（即次要系統），正式測試執行時間平均為幾天到幾周。

  • 對于最復雜的系統（即主要系統），正式測試執行時間（模擬運行和正式驗收）可長達 18 周或更長。

• 引入測試自動化

  • 歷史上，所有測試都是手動執行的。

  • 在過去幾年中，研究人員一直在帶頭努力實現測試自動化。

• 縮短測試工程師培訓時間

  • 對于復雜的嵌入式系統，適當的培訓（即了解系統和測試流程）可能需要 6 到 8 個月的時間，而對于支持工具，則需要 1 到 3 個月的時間。

因此，研究人員一直在研究將敏捷開發流程、自動測試和系統工程方法結合應用到測試與評估（T&E）領域，作為解決上述某些因素的潛在方案。

方案概述

本文所述的研究試圖解決前面討論的問題。解決方案通過三項措施來實現：

1.向敏捷開發流程轉變

2.實施測試自動化

3.融入基于模型的系統工程（MBSE）概念

過渡到敏捷流程會改變產品開發的方式，但也會帶來一些好處，如提高整體產品質量、增加項目可見性和降低風險。此外，加入持續集成（CI）等 DevOps 概念還能通過簡化流程提高部署速度。具體到本論文，敏捷過渡的重點是對測試工程師的系統訪問、團隊生產力、工程師培訓時間以及需求重要性的影響。

測試自動化通常是指將測試程序從手動流程（即測試工程師實際完成程序中的步驟并記錄結果）過渡到自動化流程（即測試工程師開發腳本，執行測試程序中的操作并自動記錄結果），但測試自動化的好處遠不止機器以最快速度執行測試程序所帶來的好處。這些益處將在后面的章節中進一步討論，其中包括增強測試工件的組織性、提高產品測試和產品本身的質量、縮短測試執行時間，以及為優化整個產品開發流程創造更多機會。

將 MBSE 概念和技術融入測試與評估領域，可以加深對系統的理解，提供系統功能和組件的映射方法，以及提高回歸測試效率的目標策略。為測試目的創建的系統模型有可能在以下方面得到有效利用：

• 根據壓力運行條件確定有效的測試點
• 根據依賴關系、外部交互以及適用的政策和標準等項目，定義測試用例的環境
• 分析和理解模棱兩可的測試結果
• 提供系統組件之間的可追溯性
• 管理和溝通回歸測試的范圍

為了解決如何利用現有數據的增長來建立有用的模型的問題，一個自動發現模型和管道的方法是有序的，它可以利用這些數據。我們已經探索了自動發現模型和管道所需的許多方面：建立一個模型知識庫和基于推薦系統方法的模型排名，通過數據集的圖形表示進行模型推薦，通過擴展基于樹的管道優化工具（TPOT）和基于強化學習的方法進行管道生成。我們探索了一種預算意識到的超參數調整算法和神經網絡的不確定性估計。我們探索了不同的訓練方法，包括無梯度優化、零點學習和持續學習。我們還解決了神經網絡架構的問題。我們將所有這些結合起來，形成了一個模塊化的自動機器學習（AutoML）系統，該系統支持廣泛的任務類型，在項目評估中一直處于前三名。

近年來，機器人領域發展迅速，機器人被用于越來越多的應用中，從制造業到醫療健康再到家務勞動。機器人技術的關鍵挑戰之一是使機器人能夠在非結構化和動態環境中執行復雜的操作任務。雖然機器人學習和控制已經取得了重大進展，但許多現有方法受到限制，因為它們依賴于預定義的運動基元或通用模型，而這些模型沒有考慮到個人用戶、其他合作智能體或交互對象的特定特征。為了在這些不同的環境中有效地工作，機器人需要能夠適應不同的任務和環境，并與不同類型的智能體進行交互，如人類和其他機器人。本論文研究學習方法，使機器人能夠適應他們的行為，以實現智能機器人行為。

在本文的第一部分中，我們專注于使機器人更好地適應人類。我們首先探索如何利用不同的數據源為人類用戶實現個性化。研究了人類如何喜歡用低維控制器(如操縱桿)遙控輔助機器人手臂。本文提出一種算法，可以有效地開發輔助機器人的個性化控制。這里的數據是通過最初演示機器人的行為，然后詢問用戶以從操縱桿收集他們相應的首選遙操作控制輸入來獲得的。探索了利用較弱的信號來推斷智能體的信息，如物理修正。實驗結果表明，人工修正是相互關聯的，共同推理這些修正可以提高精度。最后，研究了機器人如何通過推理和利用團隊結構更有效地與人類團隊合作和影響人類團隊，而不是只適應單個人類用戶。將該框架應用于兩種類型的群體動力學，即領導-跟隨和捕食者-被捕食者，并證明機器人可以首先開發一種群體表示，并利用這種表示成功地影響一個群體以實現各種目標。

在本文的第二部分，我們將研究范圍從人類用戶擴展到機器人智能體。本文解決了分散的機器人團隊如何通過只觀察其他智能體的行動來相互適應的問題。本文發現了團隊中存在無限推理循環的問題，并通過為機器人智能體分配不同的角色，如"發言人"和"聽眾"，提出了解決方案。這種方法使我們能夠將觀察到的行動視為一個溝通渠道，從而實現分散團隊內的有效協作。在本文的第三部分，我們探討了如何通過開發定制的工具來適應不同的任務。強調了工具在確定機器人如何與物體交互方面的關鍵作用，使它們在為特定任務定制機器人方面變得重要。為解決這個問題，本文提出一個端到端的框架，通過利用可微物理模擬器來自動學習富接觸操作任務的工具形態學。最后，對全文進行了總結，并對未來的研究方向進行了展望。

人工智能(AI)為改善私人和公共生活提供了很多機會，以自動化的方式在大型數據中發現模式和結構是數據科學的核心組件，目前驅動著計算生物學、法律和金融等不同領域的應用發展。然而，這種高度積極的影響也伴隨著重大的挑戰:我們如何理解這些系統所建議的決策，以便我們能夠信任它們?在這個報告中，我們特別關注數據驅動的方法——特別是機器學習(ML)和模式識別模型——以便調查和提取結果和文獻觀察。通過注意到ML模型越來越多地部署在廣泛的業務中，可以特別理解本報告的目的。然而，隨著方法的日益普及和復雜性，業務涉眾對模型的缺陷、特定數據的偏差等越來越關注。類似地，數據科學從業者通常不知道來自學術文獻的方法，或者可能很難理解不同方法之間的差異，所以最終使用行業標準，比如SHAP。在這里，我們進行了一項調查，以幫助行業從業者(以及更廣泛的數據科學家)更好地理解可解釋機器學習領域，并應用正確的工具。我們后面的章節將圍繞一位公認的數據科學家展開敘述，并討論她如何通過提出正確的問題來解釋模型。

//arxiv.org/abs/2009.11698