本文探讨了软件工程中深度学习的因果可解释性，提出了新方法DoCode，通过因果推断为模型预测提供编程语言相关的解释，促进可信人工智能在软件工程中的应用。

本研究提出了一种设计框架，以促进可信人工智能（TAI）在医疗领域的临床应用。通过分析医疗流程参与者的需求，探讨了实施TAI原则时面临的挑战和权衡，特别关注心血管疾病领域，揭示了TAI应用的现状及障碍。

本文介绍了沙漏模型这一人工智能治理框架，旨在将伦理原则转化为实践，以符合即将出台的欧洲AI法。该框架强调系统性治理，建议通过培训和监管实现根本性变革，并提出可信人工智能的技术要求和治理方法，呼吁全球统一的AI伦理原则，以应对技术带来的伦理和法律挑战。

本文综述了神经网络可解释性研究的进展，重点讨论卷积神经网络的可视化、解耦和学习方法。研究提出了新的度量标准和防御方案，提升了深度神经网络在对抗样本中的鲁棒性和解释性，并探讨了光滑景观和敌对训练对模型可解释性的影响，为可信人工智能的发展提供支持。

本文探讨了神经网络分类器的质量评估，强调鲁棒性、可解释性和抗对抗攻击的重要性。提出了一种基于数据增强的鲁棒性测量方法，并构建了综合框架来评估数据集质量。研究表明，鲁棒性训练通过数据增强可以提高分类器的精度，强调了评估方法在可信人工智能系统发展中的关键作用。

本文分析了在线学习算法，提出了一种新算法以提高鲁棒性和预测能力。研究涵盖线性回归和多臂老虎机等问题，探讨了在对抗性环境下的鲁棒性，强调了机器学习模型在不确定条件下的稳定性及其在可信人工智能中的重要性。

本文探讨了解释性方法在神经网络性能评估中的应用，强调其依赖于人类领域知识和推理能力。研究指出，基准测试解释性方法是实现可信人工智能的关键，并提出量化指标框架以提高AI系统的透明度和可信度。用户实验表明，可解释性与性能之间的权衡较低，不同场景对理解AI的效果差异显著。文章还提出评估解释质量的12个属性和创新方法，以推动负责任的AI系统发展。

本文提出了可信人工智能的七个技术要求和三个主要支柱的构建方法，并考虑到了系统整个生命周期中的所有过程和角色的可信性。同时，还介绍了通过审核过程提高人工智能系统的责任的概念，以及为了未来社会进步而必须面对的规制辩论。