刑事案件调查的逻辑方法
内容提要
该文综述可解释人工智能（XAI）研究进展，涵盖XpertAI框架结合大语言模型生成科学解释、深度学习XAI技术分类与评估、信用违约预测等应用，以及TBI预测中SHAP等方法比较，并涉及计算论证、网络安全领域，旨在推动可信、可解释AI发展。
延伸解读
XAI 研究的多维度进展
文章梳理了可解释人工智能（XAI）在多个方向上的进展，包括与大型语言模型结合的 XpertAI 框架、深度学习 XAI 技术分类、信用违约预测等应用，以及创伤性脑损伤预测中 SHAP 等方法的比较。这些工作共同推动可信、可解释 AI 的发展，显示出 XAI 正从理论走向跨领域实践。
解释方法的评估与权衡
在创伤性脑损伤预测研究中，作者比较了六种解释技术，发现 SHAP 虽然最稳定且保真度最高，但理解度低。这表明不同解释方法在稳定性、保真度和可理解性之间存在权衡，实际应用中需根据受众和场景选择，而非追求单一最优指标。
从技术分类到负责任 AI
多篇综述对 XAI 方法进行了分类，并关联所需属性，以提供个性化解释。同时，信用违约预测等高风险应用的研究强调，可解释性有助于开发负责任或以人为中心的 AI 系统。这提示 XAI 不仅是技术问题，也关乎 AI 在高风险场景中的可信采用。
Q&A
XpertAI框架是什么？它如何结合大语言模型和XAI方法？
XpertAI框架于2022年7月提出，将可解释人工智能（XAI）方法与大型语言模型相结合，用于访问科学文献并自动生成原始化学数据的易于理解的自然语言解释。通过5个案例研究评估，结果表明XpertAI结合了大型语言模型和XAI工具的优势，能生成具体、科学且可解释的解释。
在创伤性脑损伤（TBI）预测中，哪种解释技术表现最稳定？
在利用结构化表格和时间序列生理数据进行TBI短期和长期预测的研究中，比较了六种解释技术，发现SHAP是最稳定的，且保真度最高，但理解度低。
可解释人工智能在信用违约预测中有哪些应用？
2020年5月的研究演示了可解释人工智能的多种方法，并与信用违约预测等任务进行比较，提出了定量解释性的有意义见解，为开发负责任或以人为中心的AI系统提供方向，有助于在高风险应用中采用AI。
可解释人工智能在网络安全领域有哪些研究？
2023年2月的一篇综述文章总结了可解释人工智能在网络安全领域中的应用，以及传统人工智能技术面临的挑战和在不同行业和应用中XAI的实现。
计算论证方法如何用于构建可解释AI？
2022年8月的综述文章回顾了利用计算论证方法建立的可解释AI方法，重点关注其不同类型的解释、使用的不同模型、不同交互方式和不同的论证框架，并规划了未来发展方向。
深度学习中的可解释人工智能技术有哪些主要原则和分类？
2023年11月的文章介绍了深度学习中可解释人工智能技术（XAI），提出了技术分类法，并介绍了方法学、范畴和应用层次等主要原则，旨在建立可信、可解释和自说明的深度学习模型。此外，通过八种不同的XAI算法对图像数据进行了评估，讨论了局限性并提出了未来改进方向。
