Erste Überlegungen zur Erklärbarkeit von Deep-Learning-Modellen für die Analyse von Quellcode

dc.contributor.author	Sonnekalb, Tim
dc.contributor.author	Heinze, Thomas S.
dc.contributor.author	Mäder, Patrick
dc.contributor.editor	Kelter, Udo
dc.date.accessioned	2024-07-26T10:18:38Z
dc.date.available	2024-07-26T10:18:38Z
dc.date.issued	2020
dc.description.abstract	Die meisten Deep-Learning-Verfahren haben einen entscheidenden Nachteil: Sie sind Black-Box-Verfahren. Dadurch ist die Auswertung der Ergebnisse mit der Frage nach dem Warum oftmals nicht oder nur bedingt möglich. Gerade bei der Analyse von Software möchte ein Entwickler aber Ergebnisse mit zusätzlicher Begründung, um sie schnell filtern zu können. Erklärbare und interpretierbare Methoden sollen helfen, die Rückverfolgbarkeit von Analyseergebnissen sowie Erklärungen zu liefern.	de
dc.identifier.issn	0720-8928
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/44152
dc.language.iso	de
dc.pubPlace	Bonn
dc.publisher	Gesellschaft für Informatik e.V.
dc.relation.ispartof	Softwaretechnik-Trends Band 40, Heft 2
dc.relation.ispartofseries	Softwaretechnik-Trends
dc.subject	Künstliche Intelligenz
dc.subject	Deep Learning
dc.subject	Black Box
dc.subject	Erklärbarkeit
dc.subject	Explainability
dc.title	Erste Überlegungen zur Erklärbarkeit von Deep-Learning-Modellen für die Analyse von Quellcode	de
dc.type	Text/Conference Paper
mci.conference.date	16.-18. September 2020
mci.conference.location	Paderborn
mci.conference.sessiontitle	22. Workshop Software-Reengineering und -Evolution (WSRE) und 11. Workshop Design for Future (DFF)
mci.reference.pages	39-40

Dateien

1 - 1 von 1