One Forth
A13人工智能

可解释性、不确定性、对齐与安全

One Forth

特征归因、机制解释、校准、分布外检测、对齐与安全评估。

3 编 · 6 章

开始本册

目录

6 章

第一编 解释与归因

  1. 01

    特征归因、显著性与反事实

  2. 02

    表示探测与机制可解释性

第二编 不确定性与稳健性

  1. 03

    校准、分布外检测与选择性预测

  2. 04

    鲁棒性、对抗攻击与防御评估

第三编 对齐与安全综合复习

  1. 05

    对齐目标、反馈与奖励建模

  2. 06

    安全评测、系统边界与治理综合复习

先修教材

相关教材

参考资料