--- format: "aidr-story-markdown/v1" id: "5633ac0815d3b59e4394990a375c88c18efcfe86f1979e1c18d84bc811e333ad" canonical_url: "https://aidr.today/5633ac08?lang=vi" title: "Faithfulness Without Anchors: One Position Paper về Các Bất Đối Xứng Cấu Trúc của Các Chỉ Số Độ Trung Thự của XAI" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-12T04:00:00.000Z" category: "Research" topics: [] source_urls: ["https://arxiv.org/abs/2610.12493"] summary: "Các công cụ Trí tuệ nhân tạo có thể Giải thích (XAI) thường được trình bày như những phương pháp để tăng niềm tin vào các mô hình học máy bằng cách làm cho các khía cạnh thuật toán của chúng dễ hiểu hơn với con người. Tuy nhiên, bằng chứng tích lũy trong thập kỷ qua chỉ ra một sự thất bại chung về mục tiêu này, thay vào đó thúc đẩy sự tin cậy quá mức vào những dự đoán sai lầm, có thể dẫn đến sự tránh tránh thuật toán. Thay vào đó, XAI dường như chức năng chủ yếu như một công cụ gỡ lỗi, hữu ích để thu thập những hiểu biết tình huống, ví dụ như những đặc trưng mà mô hình đã học. Một trong những vấn đề chính gây ra hạn chế này là các phương pháp XAI thường đơn giản hóa quá mức cách hoạt động bên trong của mô hình, dẫn đến sự bất đối xứng giữa phần giải thích và chính mô hình - một hành vi được gọi là thiếu độ trung thự hoặc sự vô hình. Độ trung thự có thể được hiểu như mức độ xấp xỉ giữa một phần giải thích và mô hình. Tính toán độ trung thự một cách nghiêm ngặt do đó sẽ cho phép định lượng một trong những yếu tố đa dạng của độ tin cậy của một phần giải thích." --- # Faithfulness Without Anchors: One Position Paper về Các Bất Đối Xứng Cấu Trúc của Các Chỉ Số Độ Trung Thự của XAI > [Open the canonical story]() **Published:** 2026-10-12T04:00:00.000Z **Category:** Research ## Summary Các công cụ Trí tuệ nhân tạo có thể Giải thích \(XAI\) thường được trình bày như những phương pháp để tăng niềm tin vào các mô hình học máy bằng cách làm cho các khía cạnh thuật toán của chúng dễ hiểu hơn với con người\. Tuy nhiên, bằng chứng tích lũy trong thập kỷ qua chỉ ra một sự thất bại chung về mục tiêu này, thay vào đó thúc đẩy sự tin cậy quá mức vào những dự đoán sai lầm, có thể dẫn đến sự tránh tránh thuật toán\. Thay vào đó, XAI dường như chức năng chủ yếu như một công cụ gỡ lỗi, hữu ích để thu thập những hiểu biết tình huống, ví dụ như những đặc trưng mà mô hình đã học\. Một trong những vấn đề chính gây ra hạn chế này là các phương pháp XAI thường đơn giản hóa quá mức cách hoạt động bên trong của mô hình, dẫn đến sự bất đối xứng giữa phần giải thích và chính mô hình \- một hành vi được gọi là thiếu độ trung thự hoặc sự vô hình\. Độ trung thự có thể được hiểu như mức độ xấp xỉ giữa một phần giải thích và mô hình\. Tính toán độ trung thự một cách nghiêm ngặt do đó sẽ cho phép định lượng một trong những yếu tố đa dạng của độ tin cậy của một phần giải thích\. ## Sources - [Story source]()