对社会经济结果的视觉概念解释的对比预训练

提出了一种基于知识图谱和知识注入对比学习的模型，显著提升城市图像的表征学习和预测精度，预测精度提高超过30%。

研究了自我解释深度学习模型，适用于无监督概念学习，能够生成有意义的概念解释，性能优于基于概念解释的模型。

提出了后续可解释的人工智能方法L-CRP，能够自动识别和可视化模型在推理过程中使用的相关概念，并验证其效果。

探索嵌入空间中的可解释概念，提供无标签情况下的可靠概念发现基础，展示了PCA和ICA的有效性。

提出了一种基于神经符号场景表征的解释交互学习方法，通过组合性解释提升模型效果。

结合反差预训练模型和预测粗略海拔图像的任务，提出混合无监督/监督学习方法，评估其在分割和图像分类中的表现。

扩展基于概念的解释性方法到NLP领域，提出后期解释性方法，优化高影响力特征的存在，取得卓越的预测结果。

引入新的预训练方法改善视觉-语言模型中的细粒度概念理解，介绍了用于评估细粒度对齐的新数据集InpaintCOCO。

提出后期无监督方法，通过分解和聚类自动发现深度学习模型中的概念向量，支持可解释性分析。

提出深度监督方法，通过中间概念对CNN的隐藏层进行监督，显著提高推广能力，并在实际图像上取得最新性能。