该研究提出了一种新颖的可解释模型iTFKAN，旨在解决深度预测方法的可解释性不足。通过模型符号化、先验知识注入和时频协同学习，iTFKAN在复杂时间序列数据中实现了优异的预测性能和高可解释性。

本研究提出ExDDV数据集，旨在帮助识别深伪视频。该数据集包含约5400个真实与深伪视频，并提供文本描述和点击标注，以解释伪造特征。研究强调文本和点击监督在开发可解释模型中的重要性。

本文研究可解释模型的解释方法，提出AXPLR方法以提取易懂的解释，并进行实证评估。研究了论证四元组提取、定量推理解释及其在假新闻检测和推荐系统中的应用，提出新的基准工具BEExAI以评估可解释性方法的质量。

本文提出了一种新型可解释模型，结合监督与无监督学习，优化模型性能并减少计算量。研究展示了通过概念瓶颈模型（CBM）和交互式机制提升预测准确率，并引入自适应模块增强分类性能。新框架Label-free CBM能够在无标记数据下实现高效转换，未来有望广泛应用。

本文探讨了机器学习在医学影像诊断中的应用，特别是在放射学图像的疾病分类方面。研究提出了一种合成数据生成技术STEM，构建了包含5568种疾病的大规模数据集，并展示了基于语法进化的可解释模型在分类性能上的优势。此外，强调了多模态成像在癌症诊断中的重要性，提出了多种新架构和方法以提高模型的准确性和可解释性。

本文提出了一种新型可解释模型，基于概念瓶颈模型（CBM），结合监督与无监督学习，显著提高了实验效果并减少计算量。研究表明该模型在合成表格和自然图像数据集上有效，且无需密集注释概念，提升了模型的透明度和性能。新框架支持高效的数据处理和概念编辑。

AI在医疗应用中展现出超越人类的潜力，但其复杂性引发了对透明性和偏见的担忧。解释性变得至关重要，以确保AI系统的可靠性和信任。该综述讨论了解释性与可解释模型的关系，并强调了验证和多种解释性方法的重要性。严格测试和开放访问资源可以提高解释性方法的可靠性和可信度。将解释性纳入临床风险预测的端到端方法对于成功至关重要。

该文讨论了AI在医疗应用中的潜力和不透明性、潜在偏见和解释性的担忧。为确保AI系统的信任和可靠性，特别是在临床风险预测模型中，解释性变得至关重要。该综述还讨论了最近在发展用于临床风险预测的可解释模型方面的进展，强调了定量和临床评估和验证的重要性。开放访问和代码共享资源对于透明性和可重现性至关重要，以促进可解释性研究的增长和可信度。

本文提出了一个新的框架，用于处理可解释模型和知识，并证明在对可解释模型结构做出现实的假设的情况下，可以有效地计算重建的不确定性。通过比较精确学习算法和启发式学习算法关联的理论信息泄漏，说明了我们方法的适用性。结果表明，最优解释性模型通常更紧凑，泄露的关于训练数据的信息更少。

本文介绍了视觉蕴含任务和新数据集SNLI-VE，以及解决该任务的可解释视觉蕴含模型（EVE）。通过在SNLI-VE数据集上评估EVE和其他视觉问答模型，提供了对现代VQA模型性能的见解。

本文探讨了函数分解、特征重要性评估和可解释模型等方法。函数分解通过简化变量关系来优化模型；特征重要性评估通过删除特征观察预测变化，适用于测试集；可解释模型则通过训练可解释模型来理解原模型。此外，选取代表性数据点以解释模型的有效性也被提及。