“`html
来自隆德大学和哈尔姆斯塔德大学的研究人员通过卫星图像和深度机器学习对可解释的AI在贫困估计中进行了回顾。通过透明度、可解释性和领域知识强调，对32篇论文的分析显示，这些关键要素在可解释的机器学习中表现出变异性，无法完全满足对贫困和福利的科学洞察和发现的需求。
这项研究通过分析32篇预测贫困/财富的论文，使用调查数据作为基准真实性，在城市和农村环境中应用它，并涉及深度神经网络，发现这些核心要素的状态存在变异性，不能满足对贫困和福利洞察的科学要求。该回顾凸显了解释性对于开发社区范围内的更广泛传播和接受的重要性。
引言介绍了在识别弱势社区和了解贫困决定因素方面的挑战，指出了信息缺口和家庭调查的局限性。强调深度机器学习和卫星图像在克服这些挑战方面的潜力，并强调在科学过程中的可解释性、透明性、可解释性和领域知识的需求，并评估了使用调查数据、卫星图像和深度神经网络预测贫困/财富中的可解释的机器学习的状态。目标是在开发社区范围内增强更广泛的传播和接受。
通过进行综合文献综述，该研究分析了满足特定标准的32项关于贫困预测、调查数据、卫星图像和深度神经网络的研究。文章讨论了解释深度学习成像模型的属性图的使用，并评估了其可解释性。本回顾旨在概述所审查论文中的可解释性，并评估它们在贫困预测的新知识中的潜在贡献。
对论文的回顾揭示了可解释的机器学习的核心要素（透明度、可解释性和领域知识）的不同状态，无法满足科学要求。可解释性和可解释性较弱，很少有研究人员解释模型或解释预测数据的努力。在特征模型的选择中普遍使用领域知识，但在其他方面使用较少。实验结果突出了一些洞察，如模拟财富指数的局限性和低分辨率卫星图像的影响。其中一篇论文以其强有力的假设和领域知识的积极评价脱颖而出。
在贫困、机器学习和卫星图像领域，可解释的机器学习方法中透明度、可解释性和领域知识的状态各不相同，并未达到科学要求。对于开发社区范围内更广泛传播的可解释性，超出了单纯的可解释性。论文中的透明度参差不齐，有些文件有很好的文档记录，而其他文件则缺乏可复现性。解释性和可解释性方面的不足仍然存在，很少有研究人员解释模型或解释预测数据。虽然在基于特征的模型中普遍使用领域知识进行选择，但在其他建模方面应用较少。在冲击要素中的排序和排名是一个重要的未来研究方向。
“`