Quantifying Information Loss under Coarse-Grained Partitions: A Discrete Framework for Explainable Artificial Intelligence
Questo articolo introduce un framework discreto basato su partizioni grossolane e una misura di perdita di informazione per quantificare il compromesso tra accuratezza e interpretabilità nei sistemi di intelligenza artificiale, dimostrando che la perdita informativa è inevitabile nelle pratiche valutative ordinarie e fornendo strumenti per ottimizzare tale trade-off in ambiti come la valutazione educativa e l'IA spiegabile.