可解釋 AI (XAI)

在「可解釋人工智慧（Explainable AI, XAI）」領域中，LIME（Local Interpretable Model-agnostic Explanations）方法最核心的應用目的是什麼？

1. A解釋單一樣本（局部預測）的黑箱模型決策過程
2. B全面提升黑箱模型整體的預測準確度
3. C將黑箱模型轉換成完全可解釋的模型作為替代
4. D用於生成大量擬真數據來替代訓練集

在醫療診斷決策支援系統等高風險領域中，「可解釋人工智慧（Explainable AI, XAI）」的核心價值最主要呈現在哪個面向？

1. A透過提供可理解的決策依據，促進患者與醫療專業人員對系統診斷結果的信任與接受度
2. B以可解釋性方法優化臨床資料蒐集與管理流程，從而降低整體醫療作業成本
3. C利用解釋機制增強模型預測的統計顯著性與準確度，使其在研究及實務應用中更具科學性
4. D透過提供透明化的運作過程，進而減輕臨床人員負擔，並提升醫療服務的整體效率

在金融科技公司的信貸決策系統中，導入反事實解釋（Counterfactual Explanation）時，實際部署往往伴隨技術與監管挑戰。下列哪一項最符合該情境下的核心挑戰？

1. A需要建立完整的客戶行為預測模型來估算建議改變的實施成本，並整合到現有的風險管理系統架構中
2. B必須使用聯邦學習技術保護客戶隱私，同時在分散式環境中計算跨機構的反事實解釋結果
3. C需要建構時間序列因果圖來處理客戶信用狀況的動態變化，並預測未來可能的信用評分軌跡
4. D生成的反事實樣本必須滿足特徵間的因果約束和業務邏輯約束，同時確保建議的改變在現實中具有可操作性且符合公平放貸法規

在可解釋 AI(Explainable AI, XAI)的分類架構中,LIME(Local Interpretable Model-agnostic Explanations)屬於哪一類解釋技術?

1. A內建可解釋模型(Intrinsic Interpretability):模型本身具有透明的決策結構
2. B對話式解釋系統(Conversational AI Explainer):透過互動對話提供模型解釋
3. C後處理模型解釋(post-hoc):對已訓練模型提供外部解釋
4. D代理模型技術(Surrogate Model):訓練另一個簡單模型來完全取代原黑盒模型 進行推論

SHAP (SHapley Additive exPlanations)值常用於分析機器學習模型的輸出行為。 下列何者最符合 SHAP 值所提供的資訊?

1. A模型在訓練過程中,各特徵對損失函數收斂速度的影響程度
2. B依據特徵對模型整體準確率的影響,自動篩除低重要性變數
3. C在單一預測結果中,各輸入特徵對最終輸出所產生的貢獻分配
4. D透過調整特徵權重,使模型在推論階段降低計算複雜度

在金融業導入AI 模型與可解釋性技術時,反事實解釋(Counterfactual Explanation)最符合下列哪一種應用?

1. A分析整體客戶群的信用風險分布,以預測未來違約率趨勢
2. B回溯歷史呆帳案例,辨識造成違約的主要影響因素
3. C分析在模型不變的前提下,客戶申請資料變動對授信決策結果的影響
4. D依據客戶輪廓與行為資料,推薦最適合的金融商品以提升交叉銷售

在深度學習模型的分析與驗證過程中,研究人員有時會利用「顯著性圖(Saliency Map)」來輔助理解模型行為。下列何者最符合此技術的主要用途?

1. A量化各輸入特徵對模型整體預測準確度的平均影響程度
2. B標示輸入資料中對單一預測結果影響較大的區域或部分
3. C評估在不同模型參數設定下,預測結果的穩定性變化
4. D比較不同模型架構在測試資料上的泛化能力差異

企業在評估 AI 決策模型是否存在資料分布偏差時,下列何者最屬於偏見檢測(Bias Detection)而非偏見緩解(Bias Mitigation)措施?

1. A比較不同資料分布的模型預測結果分布與錯誤率
2. B重新加權訓練樣本以平衡資料分布代表性
3. C在推論階段加入輸出過濾規則
4. D調整模型決策閾值(Decision Threshold)以降低預測差異

某企業將機器學習模型部署於線上推薦系統。模型在測試階段表現良好,但上線數月後,點擊率與預測準確度逐漸下降。經分析發現,近期使用者行為模式與模型訓練期間的資料特徵出現顯著變化。此現象最可能屬於下列何者?

1. A模型過度擬合訓練資料,無法泛化至未知樣本
2. B特徵工程設計不佳,導致輸入資訊不足
3. C資料統計特徵隨時間改變,影響模型推論效果
4. D系統資料結構調整,造成特徵欄位錯置

某法律科技公司開發一套合約風險審查系統，可自動分析合約內容並標示潛在的高風險條款。律師在使用過程中，希望了解模型做出風險判斷的依據，因此系統導入顯著性圖（Saliency Map）作為可解釋 AI 的方法。請問在此自然語言處理（Natural Language Processing, NLP）應用情境中，顯著性圖主要用來標示什麼？

1. A合約中各段落之間的語意相似程度，協助辨識重複或可能矛盾的條款；
2. B模型在進行預測時，輸入文字中對結果影響程度較高的文字片段；
3. C不同版本合約之間的文字差異，用以標示新增或修改的條款位置；
4. D模型在訓練資料中學習到的高頻詞彙，反映常見的風險相關用語

某製造業AI 品質預測模型採用部分依賴圖（Partial Dependence Plots, PDP）分析特徵影響效果。資料科學家希望了解「溫度特徵」對良品率的整體影響趨勢，但主管進一步詢問，是否能用PDP 判斷某一筆瑕疵產品批次資料中，溫度是否為主要原因。下列何者最能說明PDP 在此情境中的限制？

1. APDP 無法顯示模型的預測準確率；
2. BPDP 僅能反映模型輸出結果，無法提供任何特徵影響的資訊；
3. CPDP 僅能用於單一特徵分析，無法同時考慮多個特徵的影響；
4. DPDP 僅呈現整體趨勢，無法判斷單一批次的原因

某銀行使用LIME（Local Interpretable Model-agnostic Explanations）來解釋其信貸審核模型的決策結果。分析師在閱讀解釋報告時，看到系統建立了一個簡化模型來近似原模型在該筆資料附近的行為。下列何者最能說明LIME 中代理模型（Surrogate model）的意義？

1. A一個全局解釋所有預測的線性代理模型；
2. B用於產生擾動資料的資料生成機制；
3. C一種獨立訓練的生成式模型，用於輔助預測；
4. D用於擬合原黑箱模型在目標實例附近的預測行為

某醫療AI 系統使用深度學習模型分析胸腔X 光影像，判斷患者是否罹患肺炎。 醫院評估委員會要求系統必須能夠標示「影像中哪些區域對本次診斷判斷影響最大」，以供放射科醫師進行審核確認。 下列哪一種可解釋AI 技術最能直接滿足「標示影像中對預測結果影響最大的區域」此一需求？

1. ALIME（Local Interpretable Model-agnostic Explanations）；
2. BSHAP（SHapley Additive exPlanations）；
3. C部分依賴圖（Partial Dependence Plot, PDP）；
4. D顯著性圖（Saliency Map）

下列哪一項是可解釋人工智慧（XAI）領域，LIME（Local Interpretable Model- agnostic Explanations）最可能被用於的情境？

1. A分析即時通訊系統中訊息傳輸效率的瓶頸；
2. B建立機制以強化系統中的資料安全與隱私保護；
3. C當某筆貸款申請被模型拒絕時，分析該筆資料中各項因素與結果之間的關聯；
4. D監控並優化推薦系統的回應速度與系統效能，以提升整體使用體驗

某信用評分公司導入SHAP（SHapley Additive exPlanations）框架分析機器學習模型的輸出行為。分析師希望了解：「對於某位特定申請人被評為高風險的信用評分，各項輸入特徵分別對這個評分結果貢獻了多少」。下列哪一項最能正確說明SHAP Shapley 值在此情境中所提供的資訊？

1. A各特徵在模型訓練過程中對結果穩定性的影響程度；
2. B此申請人的各項特徵，分別讓風險評分上升或下降的影響程度；
3. C各特徵在所有客戶資料中對整體預測準確度的影響程度；
4. D各特徵在模型中被使用的頻率

某醫院導入AI 輔助診斷系統。發生誤判導致醫療爭議時，院方與系統供應商皆無法說明模型的判斷依據。請問此案例最主要反映AI 黑箱特性在高風險應用中的哪項法律與倫理挑戰？

1. AAI 系統無法即時更新醫療知識，導致診斷結果逐漸偏離臨床實務；
2. BAI 系統對影像品質較敏感，設備條件不足時容易影響判斷準確性；
3. CAI 系統儲存患者資料，若管理不當可能產生個資外洩風險；
4. DAI 系統判斷過程不透明，發生錯誤時難以釐清相關責任歸屬

下列哪一種AI 應用情境中，模型的可解釋性（Explainability）最為關鍵？

1. A電商平台利用深度學習模型預測用戶的下一次購買時間，以優化推播行銷策略
2. B新創公司使用機器學習演算法自動調整廣告出價策略，以提升點擊轉換率
3. C醫院導入AI 模型分析病患影像並給出腫瘤惡性可能性，作為臨床醫師診斷依據
4. D銀行導入AI 模型預測客戶流失率，並自動推薦留客優惠方案

某銀行導入一套 AI 授信審核系統，針對貸款申請人進行自動化決策。監理單位要求系統必須符合負責任 AI（Responsible AI）原則，特別是對被拒絕的申請人提供每筆決策的具體理由說明。從技術與合規的角度，此要求的核心能力需求為何？

1. A系統必須在收到申請後 10 秒內自動刪除申請人個資
2. B系統應隨機調整部分決策以確保多元性
3. C系統必須保證所有決策準確率達到 100%
4. D系統必須具備可解釋性（Explainability）能力，能提供特徵貢獻說明

一位資料科學家使用 XGBoost 建立信用風險評分模型，並使用 SHAP 解釋模型對某申請人的預測結果。SHAP summary plot 顯示該樣本中「月收入」的 SHAP 值為-2.3，「負債比率」為+1.8，其中 SHAP 值代表各特徵對模型輸出值的影響程度與方向。關於對 SHAP 值的解讀，下列敘述何者正確？

1. A「月收入」的SHAP值-2.3代表該特徵使此申請人的違約預測機率降低了2.3%
2. B「月收入」的 SHAP 值-2.3 代表相對於基準值（base value），此特徵將模型輸出值往負方向推移了 2.3個單位，表示月收入對該申請人有降低違約風險的貢獻
3. CSHAP 值為負代表該特徵對模型整體來說是不重要的特徵，應考慮從模型中移除
4. D負債比率」SHAP 值+1.8代表負債比率是整個訓練集中對違約影響最大的特徵

某工程師為一套卷積神經網路（CNN）的醫療影像輔助診斷系統設計模型可解釋性機制。該系統需滿足下列需求：1.能向醫師說明影像被判定為異常的原因2.支援近即時推論，每次解釋須於 200 毫秒內完成，且不可進行大量重複採樣計算3.解釋結果須以影像中具代表性的視覺化像素區域呈現在此情境下，下列何種方法最為適合？

1. A使用 LIME，透過超像素擾動取樣分析影像區塊對預測的影響
2. B使用 SHAP KernelExplainer，計算各像素的 Shapley 值並疊加於原始影像
3. C使用 Grad-CAM（Class Activation Map），透過梯度反向傳播生成類別關注區域
4. D使用 SHAP TreeExplainer，計算特徵貢獻並以熱力圖呈現

某銀行導入 AI 貸款審核系統，監管要求每筆被拒絕的申請須提供可理解的拒絕原因。技術主管評估以下方案，哪一種最能實現個別預測的局部可解釋性（Local Explainability）？

1. ASHAP（SHapley Additive exPlanations）值：計算每個特徵對單筆預測的貢獻
2. B全域特徵重要性（Global Feature Importance）：說明整體特徵影響，無法解釋單一個案
3. CGrad-CAM（Gradient-weighted Class Activation Mapping）：以熱力圖解釋影像模型
4. D混淆矩陣（Confusion Matrix）：呈現整體分類表現