可解释的ai（xai）研究一直蓬勃发展，但问题“$ \ textbf {向谁} $我们制作ai解释？”尚未获得足够的关注。 Xai中的不多是不可能的，仍然是何国的非AI专家，是在实践中部署AI系统的主要受众和主要利益相关者。差距很明显：在实际情况下，AI专家对AI专家的被认为是什么“解释”。因此，这种差距产生了两种不同的Xai中的预期，目标和形式的形式。我们倡导开发非技术受众的XAI方法至关重要。然后，我们提出了一个真实的案例研究，AI专家向非技术利益攸关方提供了对AI决定的非技术解释，并在受监管的行业中完成了成功的部署。然后，我们综合了从案件中汲取的经验教训，并在向非技术利益攸关方解释AI决策时，分享AI专家的建议列表。
translated by 谷歌翻译
在培训现代NLP模型中保留隐私费用。我们知道更严格的隐私保证在差异私有的随机梯度下降（DP-SGD）中通常会降低模型性能。然而，先前关于NLP中DP-SGD效率的研究是不确定的甚至反直观的。在这篇简短的论文中，我们在五个不同的“典型的”NLP任务中，对七个下游数据集进行了彻底分析了七个下游数据集，其使用现代神经模型不同的复杂性。我们表明，与解决NLP任务的标准非私人方法不同，在那里更大通常更好，隐私保存策略不会表现出胜利模式，每个任务和隐私制度都需要特殊的待遇来实现足够的绩效。
translated by 谷歌翻译