标签
本文针对Baymex算法引入了并行化策略和自适应引导机制，以高效学习用于临床数据的离散化贝叶斯网络分类器，在16核CPU上实现了超过54倍的加速，并在保持可解释性的同时，获得了与传统模型相当或更优的预测性能。
本文比较了应用于基于EEG的抑郁症检测的InceptionTime模型的几种事后可解释性方法，发现方法之间部分收敛，同时强调了方法学上的差异性和局限性。
N2I-RAG是一个结合自适应检索、LLM智能体和验证的框架，用于从规范性文本中计算法律指标，注重透明度和可追溯性。它在法国海洋环境法语料库上优于基线。
本文介绍了MEMOR-E，一种配备平板界面的移动四足机器人，通过微调和上下文学习结合大语言模型，为阿尔茨海默病患者提供个性化、阶段感知的认知辅助，包括用药提醒和记忆互动，并具备可解释AI以便护理人员监督。
提出了一种基于验证的算法，用于计算神经网络精确SHAP值的可证明边界，可扩展到比先前精确方法大得多的搜索空间。
本文提出了一种确定性的、基于规则的睡眠分期方法，该方法明确实现了美国睡眠医学学会（AASM）的评分规则，并提供了逐时段的自然语言解释。在50份多导睡眠图记录中，该方法与多数投票共识达到了60.5%的逐时段一致性，为不透明的深度学习模型提供了透明性的补充。
本文提出了一种基于原型的解释框架，该框架在局部和全局层面整合特征重要性，利用“alike parts”突出相关特征子集，并通过特征多样性增强原型选择，在表格数据集上进行了评估。
本文证明，在共线性条件下，没有任何特征排名能同时满足忠实性、稳定性和完备性，刻画了完整的归因设计空间，并提供了一个形式化验证的可解释AI不可能性定理。
本文提出了一种与模型无关的基于概率的令牌归因度量，利用贝叶斯规则反转下一个令牌的对数概率，捕捉模型对令牌序列的内部表示，并通过熵分析提高可解释性。
本文介绍了一项实验研究，探讨与基于问答的辅助相比，对话式XAI助手是否能提升用户在预测准确性、模型理解和错误识别方面的表现，初步结果显示无显著性能差异。
介绍了Peak-Detector框架，该框架利用指令微调的大语言模型对心电（ECG）、光电容积脉搏波（PPG）、心冲击图（BCG）和体震图（BSG）等生理信号进行鲁棒、跨模态且可解释的峰值检测。该方法将时间序列数据转换为压缩的“峰值表示”格式，并通过监督微调及后续多目标奖励的强化学习进行优化。
一位16岁的开发者创建了sage-explainer，这是一个Python包，用于近似黑盒模型（如随机森林和XGBoost）对特征的预测灵敏度，提供比中心有限差分更稳定的结果。
提出一种基于权重扰动的特征归因方法（XWP和XWPc），用于全连接神经网络，在标准基线指标上取得了有竞争力的性能。
本文介绍了两种词汇难度预测模型：一种是通过软目标损失微调的黑盒大语言模型，实现了高准确度；另一种是可解释模型，能提供对难度因素的深入分析。这些模型参与了BEA 2026共享任务，并取得了强相关性。
本文介绍了 AGOP-Weighted，这是一种事后归因方法，它将每个样本的梯度乘以训练分布先验，以抑制噪声并突出重要像素，并在合成和逼真的基准测试中展示了相较于现有方法的显著改进。
本文在可解释人工智能（XAI）的框架下，建立了基于一致性的诊断（Consistency-Based Diagnosis）与实际因果关系（Actual Causality）之间的联系。其目标是将这两个领域融合，以提升人工智能及可解释数据管理中的解释能力。
一篇研究论文，提出了一种用于太阳能和风能预测的四阶段混合框架，利用量子启发变分核进行残差修正，并利用生成式人工智能层实现可解释性。
本文提出了“解释公平性分类法”（Explanation Fairness Taxonomy, EFT），以分析大型语言模型（LLM）在不同人口群体中证明决策时的差异，研究发现尽管决策本身保持平衡，但在解释的质量和语调上仍存在显著偏差。
本文介绍了 PathBoost，这是一种用于图级预测的梯度树提升方法，它使用基于路径的特征与图神经网络竞争，同时提供更好的可解释性。
本文评估了安全关键型自动目标识别（ATR）系统中的可解释性方法，突出了显著性图和注意力图等事后技术的局限性。提出了一种分类法和评估框架，以解决虚假解释和不稳定性等问题，倡导采用更稳健、基于因果关系的XAI方法。