本研究介绍了AI-DB，一种新型关系数据库系统，利用自监督神经网络实现语义SQL查询。提出了一种可解释性方法，捕捉关系实体间的关系，并通过概率Sketch提高存储效率。实验表明，该方法在节省空间的同时，提供与传统方法相同的解释质量。

本文介绍了多种新型自解释图像分类器和深度神经网络（DNNs）可解释性方法，包括基于概念的模型改进、知识感知神经元框架及局部到全局的概念投影向量（GCPV）。这些方法旨在提高模型的预测准确性和可解释性，帮助理解和优化人工智能的决策过程。

本文介绍了一种名为SyntaxShap的可解释性方法，用于在安全关键领域利用大型语言模型。该方法考虑了文本数据中的句法结构，并通过扩展Shapley值来考虑基于解析的句法依赖关系。研究结果表明，SyntaxShap能够生成更忠实、连贯和可解释的预测解释，适用于自回归模型。

本文介绍了一种新方法，用于生成用于3D物体检测的DetR-like ViT的显著性图。该方法基于原始注意力，比基于梯度的方法更高效。通过在nuScenes数据集上的测试，证明了该方法在视觉质量和定量指标方面优于其他可解释性方法。研究还展示了在转换器的不同层之间聚合注意力的重要性。这项工作有助于开发可解释的AI模型，提高人们对AI应用的信任。

本文提出了一种新的可解释性方法，通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，改进了医学成像中的人工智能模型。实验证明该方法在解决模糊重建问题和提高潜空间可解释性方面具有能力。同时，分析显示使用正则化潜空间进行心脏疾病分类的依赖程度，并展现了很好的解释性。

该研究提出了两个指标来评估深度神经网络的可解释性方法，并对几种最先进的解释性方法在ResNet-50上进行了分析。实验结果表明，提出的机器-中心策略有助于提高深度神经网络的信任度。