本研究提出了一种新方法——距离解释器，旨在解决现有可解释人工智能在嵌入向量空间中的解释性不足。该方法通过选择性屏蔽和距离排名生成局部解释，实验证明其在识别特征相似性和差异性方面具有高度鲁棒性，从而提升了深度学习的透明性和可信度。

本研究探讨了因果推断与可解释人工智能中反事实的使用差异，提出了反事实的正式定义，并分析了其在这两个领域的应用，促进了CI与XAI的融合。

本研究提出了一种新方法，解决了可解释人工智能框架中对预测不确定性忽视的问题。通过使用比例Shapley值，将预测不确定性归因于输入特征，从而提升高风险机器学习应用的理解与沟通效果。

本研究提出了一种基于贝叶斯推断的动态伙伴模型，用于对话系统中的自适应解释生成。该模型通过非平稳马尔可夫决策过程持续更新，以提高对不同受众的适应性，改善可解释的人工智能系统。实验结果表明该方法有效。

PnPXAI框架解决了现有可解释人工智能（XAI）在不同神经网络和数据模式下的局限性。该框架能够自动检测模型架构、推荐解释方法并优化超参数，从而提升了解释的灵活性和有效性，适用于医疗和金融等多个领域。

本研究提出了一种结合多种梯度提升模型的堆叠集成框架，用于金融欺诈检测，解决了传统模型缺乏透明性的问题。通过可解释人工智能技术，该模型在准确率和AUC-ROC评分上均达到99%，提升了决策的透明性和可信度。

本研究探讨了可解释人工智能（AI）的最新进展，重点关注提升AI算法透明度的伦理因素和技术手段。可解释性与自主系统元推理之间存在紧密联系，这将推动未来可解释AI系统的发展。

本研究探讨了可解释人工智能（XAI）中隐私与可解释性之间的矛盾，提出了一种隐私保护解释框架，以帮助理解符合隐私要求的XAI特征，并提供实现隐私保护XAI的建议。

本研究提出了一种可解释的人工智能解决方案，针对大型语言模型的安全威胁，设计了XBreaking越狱攻击，通过目标噪声注入突破安全限制，强调了审查机制的重要性。

本研究提出了一种新方法，将不确定性估计技术融入反事实解释中，以提高其真实性。结果表明，传统方法显著降低了预测误差，增强了反事实的科学价值，特别是在处理不符合分布的数据时，突显了其在可解释人工智能中的重要性。

本研究提出HU-MCD方法，克服了传统可解释人工智能在多维概念发现中的局限性。通过Segment Anything Model和CNN输入掩码技术，显著提升了概念的可理解性和解释一致性，实验结果表明其解释更加精准可靠，具有实际应用潜力。

本研究探讨了反事实解释在可解释人工智能中的应用，提出了一种将其重构为能量最小化问题的新框架。结合扰动理论和统计力学，实验结果表明该方法能够提供可操作的反事实解释，增强对模型敏感性和决策边界的理解。

本研究提出了一种基于范畴的解释函子的方法，以提高可解释人工智能的解释一致性和可靠性。验证结果表明，该方法在合成基准测试中有效减少了矛盾和不忠实的解释生成。

本研究提出了一种名为HyConEx的新型分类模型，旨在提升可解释人工智能的决策理解能力。HyConEx利用深度超网络架构，提供准确的分类预测，并生成反事实示例，以解释影响模型结果的关键特征，兼具高效分类性能和良好可解释性。

本研究提出了一种名为Poem的可解释人工智能模型，旨在提高时间敏感场景下的可解释性。该模型通过生成示例、反示例和显著性图，提供快速有效的解释。实验结果表明，Poem在速度和生成细致示例方面优于前代模型Abele。

本研究提出了一种新的理论框架，利用数学模型p-Conv有效识别自然数同余类，揭示神经网络行为的成功与失败模式，为可解释人工智能提供新视角。

本研究提出了一种基于可解释人工智能的优化控制系统，旨在降低注塑成型过程中的缺陷率。通过使用XGBoost和LightGBM算法，产品缺陷率显著降低至0.21%（XGBoost）和0.13%（LightGBM），提升了产品质量。

该研究探讨了深度语言模型与大脑神经活动的对齐，结合可解释人工智能方法，揭示了大脑语言处理的层次结构及其与模型的关系，为理解语言理解的神经机制提供了新工具。

本研究提出了一种新的成对Shapley值框架，旨在解决可解释人工智能中的可解释性和可扩展性问题。该方法通过比较特征归因与数据实例对，提供更直观的解释，降低计算开销，提升XAI的实际应用能力。