pembelajaran tanpa perlakuan yang berbeda. Dalam: Prosiding Konferensi Internasional ke-26 tentang World Wide Web . 1171-1180.
Zhang, H. dan Davidson, I. , 2021. Menuju deteksi anomali dalam yang adil. Dalam: Prosiding Konferensi ACM 2021 tentang Keadilan, Akuntabilitas, dan Transparansi . 138-148.
(2023/02/28), Tersedia dari: https://gdz.bkg.bund.de/index.php/default/corine-land-cover-5-ha- stand- 2012-clc5-2012.html.
GeoBasis-DE/BKG , 2021. Digitales Geländemodell Gitterweite 200 m. Diakses: (2023/02/28), Tersedia dari: https://mis.bkg.bund.de/trefferanzeige?docuuid=eaaa67a1-5ecb-4e57-af38- b5f1d6d57e2a#metadata_info.
Hedström, A., dkk., 2023. Quantus: Perangkat AI yang dapat dijelaskan untuk evaluasi yang bertanggung jawab atas penjelasan jaringan saraf dan seterusnya. Jurnal Penelitian Pembelajaran Mesin, 24 (34), 1-11. Hilburn, K.A. , Ebert-Uphoff, I. , dan Miller, S.D. , 2021. Pengembangan dan interpretasi estimator reflektifitas radar sintetis berbasis jaringan saraf menggunakan pengamatan satelit GOES-R. Jurnal Meteorologi Terapan dan Klimatologi, 60 (1), 3-21.
Hinton, G.E. , Osindero, S. , dan Teh, Y.W. , 2006. Algoritma pembelajaran cepat untuk jaring kepercayaan yang dalam. Neural Computation, 18 (7), 1527-1554.
Hinton, G.E. dan Salakhutdinov, R.R. , 2006. Mengurangi dimensi data dengan jaringan syaraf tiruan.
Science, 313 (5786), 504-507.
Holzinger, A., dkk. , 2022. Metode AI yang dapat dijelaskan - tinjauan singkat. Dalam: xxAI - Beyond Explainable AI. Catatan Kuliah Kecerdasan Buatan, vol. 13200. Springer, 13-38.
Huang, J., dkk. , 2022a. Penjelas Konsep: Penjelasan interaktif untuk jaringan syaraf tiruan dari perspektif konsep. IEEE Transactions on Visualization and Computer Graphics, 29 (1), 831-841.
Huang, Q., dkk., 2022b. GraphLIME: Penjelasan model yang dapat ditafsirkan secara lokal untuk jaringan syaraf tiruan. Transaksi IEEE tentang Pengetahuan dan Rekayasa Data.
Iten, R., dkk., 2020. Menemukan konsep fisik dengan jaringan saraf. Physical Review Letters, 124 (1), 010508.
Janowicz, K., dkk., 2020. GeoAI: Teknik kecerdasan buatan eksplisit secara spasial untuk penemuan pengetahuan geografis dan seterusnya. Jurnal Internasional Ilmu Informasi Geografis, 34 (4), 625- 636.
Kim, B., dkk., 2018. Interpretabilitas di luar atribusi fitur: Pengujian kuantitatif dengan vektor aktivasi konsep (TCAV). Dalam: ICML. vol. 80, 2673-2682.
Kratzert, F., dkk., 2018. Pemodelan curah hujan-limpasan menggunakan jaringan memori jangka pendek (LSTM). Hidrologi dan Ilmu Sistem Bumi, 22 (11), 6005-6022.
Kratzert, F., dkk., 2019. Menuju pembelajaran perilaku hidrologi universal, regional, dan lokal melalui pembelajaran mesin yang diterapkan pada kumpulan data sampel besar. Hidrologi dan Ilmu Sistem Bumi, 23 (12), 5089-5110.
Krizhevsky, A. , Sutskever, I. , dan Hinton, G.E. , 2017. Klasifikasi ImageNet dengan jaringan saraf konvolusi dalam. Communications of the ACM, 60 (6), 84-90.
Krug, D. , Stegger, U. , dan Eberhardt, E. , 2015. Bodenübersichtskarte 1:200.000 (BÜK200) - Status 2015. Dalam: Jahrestagung der DBG 2015: Unsere Böden - unser Leben, München.
Lapuschkin, S., dkk., 2019. Membuka kedok prediktor Clever Hans dan menilai apa yang sebenarnya dipelajari oleh mesin. Nature Communications, 10 (1), 1-8.
LeCun, Y. , Bengio, Y. , dan Hinton, G. , 2015. Pembelajaran mendalam. Nature, 521 (7553), 436- 444.
Li, Z. , 2022. Mengekstraksi efek spasial dari model pembelajaran mesin menggunakan metode interpretasi lokal: Contoh SHAP dan XGBoost. Komputer, Lingkungan dan Sistem Perkotaan, 96, 101845.
Liu, P. dan Biljecki, F. , 2022. Tinjauan aplikasi GeoAI yang eksplisit secara spasial dalam Geografi Perkotaan. Jurnal Internasional Pengamatan Bumi Terapan dan Geoinformasi, 112, 102936.
Liu, Y., dkk. , 2012. Penggunaan lahan perkotaan dan 'area sumber-tenggelam' lalu lintas: Bukti dari data taksi yang menggunakan GPS di Shanghai. Lanskap dan Perencanaan Kota, 106 (1), 73-87.
Lundberg, SM, dkk., 2020. Dari penjelasan lokal hingga pemahaman global dengan AI yang dapat dijelaskan untuk pohon. Nature Machine Intelligence, 2 (1), 56-67.
Lundberg, S.M. dan Lee, S.I. , 2017. Pendekatan terpadu untuk menafsirkan prediksi model.
Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 30.
Mamalakis, A. , Barnes, EA , dan Ebert-Uphoff, I. , 2022a. Menyelidiki ketepatan metode kecerdasan buatan yang dapat dijelaskan untuk aplikasi jaringan saraf konvolusi dalam geosains. Kecerdasan Buatan untuk Sistem Bumi, 1 (4), e220012.
Mamalakis, A. , Ebert-Uphoff, I. , dan Barnes, E.A. , 2022b. Kecerdasan buatan yang dapat dijelaskan dalam meteorologi dan ilmu iklim: Menyempurnakan model, mengkalibrasi kepercayaan, dan
mempelajari ilmu pengetahuan baru.
Pengklasifikasi yang Mendalam. Springer, 315-339.
Matin, S.S. dan Pradhan, B. , 2021. Pemetaan kerusakan bangunan akibat gempa bumi menggunakan Explainable AI (XAI). Sensors, 21 (13), 4489.
Mayer, K.J. dan Barnes, E.A. , 2021. Prakiraan peluang sub-musiman diidentifikasi oleh jaringan saraf yang dapat dijelaskan. Geophysical Research Letters, 48 (10), e2020GL092092.
McGovern, A., dkk., 2019. Membuat kotak hitam lebih transparan: Memahami implikasi fisik dari pembelajaran mesin. Bulletin of the American Meteorological Society, 100 (11), 2175-2199.
Miller, T. , 2019. Penjelasan dalam kecerdasan buatan: Wawasan dari ilmu-ilmu sosial. Kecerdasan Buatan, 267, 1-38.
Montavon, G., dkk., 2019. Propagasi relevansi berdasarkan lapisan: Sebuah tinjauan umum. Dalam:
AI yang Dapat Dijelaskan: Menafsirkan, Menjelaskan, dan Memvisualisasikan Pembelajaran Mendalam. Catatan Kuliah Ilmu Komputer, vol. 11700. Springer, 193-209.
Montavon, G., dkk., 2017. Menjelaskan keputusan klasifikasi nonlinier dengan dekomposisi Taylor dalam. Pengenalan Pola, 65, 211-222.
Montavon, G. , Samek, W. , dan Müller, KR , 2018. Metode untuk menafsirkan dan memahami jaringan saraf dalam. Pemrosesan Sinyal Digital, 73, 1-15.
Peel, M.C. dan McMahon, T.A. , 2020. Perkembangan historis pemodelan limpasan hujan. Ulasan Interdisipliner Wiley: Air, 7 (5).
Poerner, N. , Roth, B. , dan Schütze, H. , 2018. Mengevaluasi metode penjelasan jaringan syaraf menggunakan dokumen hibrida dan kesepakatan morfosintaksis. In: Prosiding Pertemuan Tahunan ke-56 Asosiasi Linguistik Komputasi . 340-350.
Reichstein, M., dkk., 2019. Pembelajaran mendalam dan pemahaman proses untuk sains sistem bumi berbasis data. Nature, 566 (7743), 195-204.
Ribeiro, M.T. , Singh, S. , dan Guestrin, C. , 2016. "Mengapa saya harus mempercayai Anda?":
Menjelaskan prediksi dari setiap pengklasifikasi. In: Prosiding Konferensi Internasional ACM SIGKDD ke-22 tentang Penemuan Pengetahuan dan Penambangan Data , KDD '16. 1135-1144.
Rieckmann, A., dkk., 2022. Penyebab Pembelajaran Hasil: pendekatan pembelajaran mesin yang terinspirasi oleh inferensi kausal untuk mengurai kombinasi umum dari penyebab potensial hasil kesehatan. Jurnal Epidemiologi Internasional, 51 (5), 1622-1636.
Roscher, R., dkk., 2020. Pembelajaran mesin yang dapat dijelaskan untuk wawasan dan penemuan ilmiah. IEEE Access, 8, 42200-42216.
Ross, A.S. , Hughes, M.C. , dan Doshi-Velez, F. , 2017. Tepat untuk alasan yang tepat: Melatih model yang dapat dibedakan dengan membatasi penjelasannya. Dalam: Prosiding Konferensi Gabungan Internasional Kedua Puluh Enam tentang Kecerdasan Buatan . 2662-2670.
Russakovsky, O., dkk., 2015. Tantangan pengenalan visual berskala besar ImageNet. International Journal of Computer Vision, 115 (3), 211-252.
Samek, W., dkk., 2019. AI yang Dapat Dijelaskan: Menafsirkan, Menjelaskan, dan
Memvisualisasikan Pembelajaran Mendalam. Catatan Kuliah dalam Ilmu Komputer, vol. 11700.
Springer Nature.
Samek, W. , dkk. , 2021. Menjelaskan jaringan saraf dalam dan seterusnya: Tinjauan metode dan aplikasi. Prosiding IEEE, 109 (3), 247-278.
Schnake, T., dkk., 2020. Penjelasan tingkat tinggi dari jaringan saraf tiruan graf melalui jalan-jalan yang relevan. Transaksi IEEE tentang Analisis Pola dan Kecerdasan Mesin, 44, 7581-7596.
Schölkopf, B. , 2022. Kausalitas untuk Pembelajaran Mesin, 1st ed. New York, NY, USA:
Association for Computing Machinery, 765-804.
Schramowski, P., dkk., 2020. Membuat jaringan saraf tiruan yang tepat untuk alasan ilmiah yang tepat dengan berinteraksi dengan penjelasannya. Nature Machine Intelligence, 2 (8), 476-486.
Selvaraju, R.R. , dkk. , 2017. Grad-CAM: Penjelasan visual dari jaringan dalam melalui lokalisasi berbasis gradien. Dalam: Prosiding Konferensi Internasional IEEE tentang Visi Komputer . 618-626.
Silver, D., dkk. , 2016. Menguasai permainan Go dengan jaringan syaraf tiruan dan pencarian pohon.
Nature, 529 (7587), 484-489.
Simonyan, K. , Vedaldi, A. , dan Zisserman, A. , 2014. Jauh di dalam jaringan konvolusi:
Memvisualisasikan model klasifikasi gambar dan peta arti-penting. Dalam: Prosiding Konferensi Internasional tentang Representasi Pembelajaran (ICLR) . ICLR.
Sitterson, J., dkk., 2018. Tinjauan umum tentang jenis model curah hujan-limpasan. Kongres Internasional tentang Pemodelan dan Perangkat Lunak Lingkungan.
Sundararajan, M. , Taly, A. , dan Yan, Q. , 2017. Atribusi aksiomatik untuk jaringan dalam. Dalam:
Prosiding Konferensi Internasional Pembelajaran Mesin ke-34 - Volume 70 , ICML'17. 3319-3328.
Toms, B.A. , Barnes, E.A. , dan Ebert-Uphoff, I. , 2020. Jaringan saraf yang dapat ditafsirkan secara fisik untuk Geosains: Aplikasi untuk variabilitas sistem bumi. Jurnal Kemajuan dalam Pemodelan Sistem Bumi, 12 (9).
Toms, B.A. , Barnes, E.A. , dan Hurrell, J.W. , 2021. Menilai prediktabilitas dekadal dalam model sistem bumi menggunakan jaringan saraf yang dapat dijelaskan. Geophysical Research Letters, 48 (12), e2021GL093842.
Van Der Knijff, J. , Younis, J. , dan De Roo, A. , 2010. LISFLOOD: model terdistribusi berbasis SIG untuk neraca air skala daerah aliran sungai dan simulasi banjir. Jurnal Internasional Sains Informasi Geografis, 24 (2), 189-212.
Weber, L., dkk., 2023. Lebih dari sekadar menjelaskan: Peluang dan tantangan peningkatan model berbasis XAI. Information Fusion, 92, 154-176.
Xing, J. dan Sieber, R. , 2021. Mengintegrasikan XAI dan GeoAI. In: Prosiding Makalah Pendek GIScience 2021. UC Santa Barbara: Pusat Studi Spasial.
Xing, X., dkk., 2020. Pemetaan volume aktivitas manusia melalui citra penginderaan jauh. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5652-5668. Yang, Y. , dkk. , 2018. Menjelaskan prediksi terapi dengan propagasi relevansi lapisan-bijaksana dalam jaringan saraf. In: 2018 IEEE International Conference on Healthcare Informatics (ICHI) . IEEE, 152-162.
Yeom, S.K., dkk. , 2021. Pemangkasan dengan menjelaskan: Kriteria baru untuk pemangkasan jaringan saraf tiruan. Pengenalan Pola, 115, 107899.
Zeiler, M.D. dan Fergus, R. , 2014. Memvisualisasikan dan memahami jaringan konvolusi. In: Visi Komputer-ECCV 2014: Konferensi Eropa ke-13 . 818-833.
Zhang, F., dkk., 2019. Penginderaan sosial dari citra tingkat jalan: Sebuah studi kasus dalam mempelajari pola mobilitas perkotaan secara spasial dan temporal. Jurnal Fotogrametri dan Penginderaan Jauh ISPRS, 153, 48-58.
Zink, M., dkk., 2017. Dataset resolusi tinggi dari fluks air dan negara bagian untuk Jerman yang memperhitungkan ketidakpastian parametrik. Hidrologi dan Ilmu Sistem Bumi, 21 (3), 1769-1790.
Zintgraf, LM, dkk. , 2017. Memvisualisasikan keputusan jaringan syaraf tiruan: Analisis perbedaan prediksi. In: ICLR 2017.
Zou, Q., dkk. , 2015. Pemilihan fitur berbasis pembelajaran mendalam untuk klasifikasi pemandangan penginderaan jauh. IEEE Geoscience and Remote Sensing Letters, 12 (11), 2321-2325.