标签
本文提出了BREAD，一种可扩展的基线参考解释方法，用于在基于AI的统计过程监控中诊断异常，并提供理论保证，证明在均值偏移异常下其忠实度高于LIME。
This empirical study compares conversational XAI (powered by LLMs) against a traditional dashboard for UAV intrusion detection auditing, finding the conversational interface improves perceived usefulness but risks operator over-reliance on AI advice.
介绍了SPOT（采样策略观察树），一种模型无关的框架，通过构建有限时域前瞻树来揭示动作的下游后果，从而解释深度强化学习策略，并在SUMO-RL交通信号控制领域进行了演示。
This position paper advocates computational argumentation as a formal foundation for Evaluative AI, which supports human decision-making by presenting competing hypotheses with evidence for and against, rather than single recommendations.
Introduces LiFTER, a neuro-symbolic predictor for continuous-time dynamic graph forecasting that grounds predictions in observable temporal facts and executable rules, enabling fully inspectable and verifiable link prediction with competitive accuracy and high explanatory fidelity.
The paper investigates whether guideline-based categorical encodings of continuous predictors can replace continuous inputs in stroke outcome prediction models without sacrificing accuracy, finding comparable performance in most treatment cohorts.
本文提出了Patients-like-me（PLM），一个统一的LM-GNN框架，将局部患者语义与全局队列结构相结合，用于可解释的临床预测。它引入了一种变分期望最大化算法，并在MIMIC-III和MIMIC-IV上展示了最先进的结果，同时提供参考患者解释。
本文引入了一个基于分布的框架，通过量化特征排名的可分离性并识别在随机运行中保持可靠的最大top-k排名，来衡量归因方法（解释器）的稳定性。
针对欧盟解释权背景下的可解释人工智能（XAI）研究进行系统综述，分析GDPR与《人工智能法案》中法律要求与技术实施之间的差距。
《自然医学》上一项由MIT主导的新研究发现，AI辅助和可解释性方法对皮肤病诊断准确率的影响因用户专业水平而异：非专家过度信任AI解释，而临床医生仅在模型预测（无解释）时表现最佳。结果凸显了考虑自动化偏见的以用户为中心的AI设计之必要性。
本文介绍了xMICD，一种将ICD代码分组与预训练嵌入相似性相结合的方法，以创建低维、临床可解释的患者表示，其预测性能可与基于嵌入的方法相媲美。
本文应用可解释机器学习于NetMob 2025数据挑战中的移动轨迹数据，评估巴黎的15分钟城市概念，发现当地服务可用性越高，汽车使用越少、主动出行越多，但存在空间和人口统计上的异质性。
This paper introduces a white-box, gradient-regularized evasion framework that embeds attack logic directly into model parameters, successfully fooling explainable AI auditors like LIME, SHAP, and Integrated Gradients while bypassing anomaly detection defenses.
本文提出了一种基于BERT的Mpox研究文章自动化多标签分类系统，准确率达到97%，并采用SHAP进行可解释性分析。该系统旨在帮助研究人员和医疗工作者快速找到相关信息。
HyCE-RAG 是一种新颖的基于超图的检索增强生成框架，专为多跳问答设计，通过置信度感知的启发式搜索构建显式证据链，在准确性、相关性和忠实度方面优于标准 RAG 和基于图的 RAG 方法。
本文系统评估了后训练量化如何影响使用Grad-CAM和LIME的CNN模型的可解释性，揭示分类准确性并非可解释性稳定性的可靠指标，并且架构选择对于可信部署至关重要。
介绍CEL，一个统一的反事实解释库和基准测试，提供了18个数据集上14种方法的标准化实现，以实现在可解释AI中的公平比较。
本文提出了一种自动化数据处理（ADP）框架，该框架利用强化学习和基于Shapley的可解释人工智能来优化机器学习模型与特征的组合，用于熔融沉积成型中的翘曲检测，从而提高了准确性和稳定性。
提出一个领域无关的框架，利用大型语言模型为时间序列预测生成基于事实的自然语言解释，通过约束到可验证证据来减少幻觉。在金融和货运定价案例研究中进行了评估。
本文介绍了FST.ai 2.5，这是一个面向奥运会和残奥会跆拳道的可解释且不确定性感知的人工智能框架，整合了运动员数字孪生、比赛分析和联合会级决策支持。