Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
AIX360 — Interpretabilità e spiegabilità dei dati e dei modelli di machine learning | Kitploit
Strumenti/GitHubGitHub/trusted-ai/aix360
Machine LearningPaper e RicercaApprendimento e FormazioneSicurezza dell'IAAttacco AvversarioTop in Attacco Avversario n.16Top in Machine Learning n.17
GitHubtrusted-ai/aix360

AIX360

Interpretabilità e spiegabilità dei dati e dei modelli di machine learning

1.8k329572 mesi faRevisionato da Kitploit
Condividi
Vedi RepositorySito web

AI Explainability 360 (v0.3.0)

Build Documentation Status PyPI version

✨NUOVO: IBM Research ha un nuovo toolkit In-Context Explainability 360 (ICX360) che estende la spiegabilità a LLM, in particolare in termini di input fornito all'LLM. Dai un'occhiata! 🚀✨

Il toolkit AI Explainability 360 è una libreria open-source che supporta l'interpretabilità e la spiegabilità di dataset e modelli di machine learning. Il pacchetto Python AI Explainability 360 include un set completo di algoritmi che coprono diverse dimensioni delle spiegazioni insieme a metriche proxy di spiegabilità. Il toolkit AI Explainability 360 supporta dati tabellari, testuali, immagini e serie temporali.

L'esperienza interattiva di AI Explainability 360 offre un'introduzione graduale ai concetti e alle funzionalità, illustrando un caso d'uso di esempio per diverse tipologie di consumatori. I tutorial e i notebook di esempio offrono un'introduzione più approfondita orientata ai data scientist. È disponibile anche l'API completa.

Non esiste un unico approccio alla spiegabilità che funzioni meglio in assoluto. Ci sono molti modi di spiegare: dati rispetto a modello, spiegazione direttamente interpretabile rispetto a post hoc, locale rispetto a globale, ecc. Può quindi essere confuso capire quali algoritmi siano più appropriati per un dato caso d'uso. Per aiutarti, abbiamo creato del materiale di orientamento e un albero tassonomico che puoi consultare.

Abbiamo sviluppato il pacchetto pensando all'estensibilità. Questa libreria è ancora in fase di sviluppo. Ti invitiamo a contribuire con i tuoi algoritmi di spiegabilità, metriche e casi d'uso. Per iniziare come contributore, unisciti alla Community AI Explainability 360 su Slack richiedendo un invito qui. Rivedi le istruzioni per contribuire con codice e notebook Python qui.

Algoritmi di spiegabilità supportati

Spiegazioni dei dati

  • ProtoDash (Gurumoorthy et al., 2019)
  • Disentangled Inferred Prior VAE (Kumar et al., 2018)

Spiegazioni locali post-hoc

  • ProtoDash (Gurumoorthy et al., 2019)
  • Contrastive Explanations Method (Dhurandhar et al., 2018)
  • Contrastive Explanations Method with Monotonic Attribute Functions (Luss et al., 2019)
  • Exemplar based Contrastive Explanations Method
  • Grouped Conditional Expectation (Adattamento degli Individual Conditional Expectation Plots di Goldstein et al. a dimensioni superiori )
  • LIME (Ribeiro et al. 2016, Github)
  • SHAP (Lundberg, et al. 2017, Github)

Spiegazioni locali post-hoc per serie temporali

  • Time Series Saliency Maps using Integrated Gradients (Ispirato da Sundararajan et al. )
  • Time Series LIME (Adattamento per serie temporali del classico articolo di Ribeiro et al. 2016 )
  • Time Series Individual Conditional Expectation (Adattamento per serie temporali degli Individual Conditional Expectation Plots Goldstein et al. )

Spiegazioni dirette locali

  • Teaching AI to Explain its Decisions (Hind et al., 2019)
  • Order Constraints in Optimal Transport (Lim et al.,2022, Github)

Certificazione delle spiegazioni locali

  • Trust Regions for Explanations via Black-Box Probabilistic Certification (Ecertify) (Dhurandhar et al., 2024)

Spiegazioni dirette globali

  • Interpretable Model Differencing (IMD) (Haldar et al., 2023)
  • CoFrNets (Continued Fraction Nets) (Puri et al., 2021)
  • Boolean Decision Rules via Column Generation (Light Edition) (Dash et al., 2018)
  • Generalized Linear Rule Models (Wei et al., 2019)
  • Fast Effective Rule Induction (Ripper) (William W Cohen, 1995)

Spiegazioni globali post-hoc

  • ProfWeight (Dhurandhar et al., 2018)

Metriche di spiegabilità supportate

  • Faithfulness (Alvarez-Melis and Jaakkola, 2018)
  • Monotonicity (Luss et al., 2019)

Configurazione

Configurazioni supportate:

Parola chiave di installazioneExplainerSistema operativoVersione Python
cofrnetcofrnetmacOS, Ubuntu, Windows3.10
contrastivecem, cem_mafmacOS, Ubuntu, Windows3.7
dipvaedipvaemacOS, Ubuntu, Windows3.10
gcegcemacOS, Ubuntu, Windows3.10
ecertifyecertifymacOS, Ubuntu, Windows3.10
imdimdmacOS, Ubuntu3.10
limelimemacOS, Ubuntu, Windows3.10
matchingmatchingmacOS, Ubuntu, Windows3.10
nncontrastivenncontrastivemacOS, Ubuntu, Windows3.10
profwtprofwtmacOS, Ubuntu, Windows3.6
protodashprotodashmacOS, Ubuntu, Windows3.10
rbmbrcg, glrmmacOS, Ubuntu, Windows3.10
rule_inductionrippermacOS, Ubuntu, Windows3.10
shapshapmacOS, Ubuntu, Windows3.6
tedtedmacOS, Ubuntu, Windows3.10
tsicetsicemacOS, Ubuntu, Windows3.10
tslimetslimemacOS, Ubuntu, Windows3.10
tssaliencytssaliencymacOS, Ubuntu, Windows3.10

(Facoltativo) Creare un ambiente virtuale

AI Explainability 360 richiede versioni specifiche di molti pacchetti Python che potrebbero entrare in conflitto con altri progetti sul tuo sistema. Un gestore di ambienti virtuali è fortemente consigliato per garantire che le dipendenze possano essere installate in modo sicuro. Se hai problemi a installare il toolkit, prova prima questo.

Conda

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    565
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    478
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    383
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    327
  • 5

    estorides

    grisuno/estorides

    Aggrega in parallelo oltre 99 fonti OSINT gratuite, risolve le entità in un knowledge graph ed esporta in STIX 2.1, MISP o GraphML con analisi assistita da LLM.

    258
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    256

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →