本研究探讨了可解释的人工智能在物联网集成的6G无线网络中提升医疗安全的作用。通过SHAP、LIME和DiCE等技术，揭示系统漏洞并增强防御，提高医疗应用的信任和透明度，确保患者安全。

近期，人工智能在初级医疗服务中的应用显著提升，特别是Vision Transformers（ViT）在医学影像学中的表现。可解释的人工智能（XAI）对理解模型决策过程至关重要。研究表明，ViT的逐层相关传播法优于传统模型，提升了医学图像分割的准确性。尽管注意力机制被广泛使用，其对临床决策的实际效益仍需进一步探讨。

研究发现，通过特定任务可以优化可解释的人工智能，并且解释的系统之间可能存在共同点和设计原则。认知块比变量重复更影响表现，并且这些趋势在不同任务和领域中保持一致。

该研究论文介绍了一个理论框架，使用新兴的交流机制（EmCom）来增强可解释的人工智能（xAI），提高透明度和可解释性。该框架在医疗保健和其他领域中有潜力实现信任和明智决策。

人工智能在决策支持系统中的应用主要集中在技术进步方面，忽视了算法输出与人类期望的一致性。可解释的人工智能提倡以人为中心的发展。通过对105篇文章进行综述，提出了一种交互模式分类系统，以深入研究不同人机交互方式。现有的交互方式主要是简单的合作模式，对真正的交互功能的支持相对较少。该分类系统将有助于理解当前决策环境中人与人工智能的交互方式，并促进交互设计的有意选择。

该研究介绍了使用可解释的人工智能（XAI）的智能系统（CL-XAI）用于认知学习的研究。通过探索人类学习者如何理解使用XAI工具的人工智能模型的内部机制，并通过人类反馈评估这些工具的有效性。使用CL-XAI在一个基于游戏的虚拟案例中说明了其应用，突出了认知学习和协同学习中的潜在进展。

该文介绍了一种使用可解释的人工智能方法来提前进行作物分类的方法。研究者通过训练一个基准作物分类模型，使用层内相关传播（LRP）确定显著的时间步长，并选择重要的时间索引来创建可能的最短分类时间范围。研究者确定了2019年4月21日至2019年8月9日的时间范围在准确性和提前性方面有着最佳平衡。与使用完整时间序列相比，这个时间范围仅损失了0.75%的准确性。

本文提出了第一个联邦学习度量聚合方法，使用有效秩来评估模型学习效果，并展示了其在联邦问题上的高效性。同时，还开发了一个基于有效秩的新颖权重聚合方案。

近期人工智能在初级医疗服务中得到广泛应用，解决了医疗保健领域的需求供应失衡问题。Vision Transformers（ViT）是最先进的计算机视觉模型，但其复杂性可能导致人们对其运作方式的不确定性。可解释的人工智能（XAI）方法对医疗领域的决策过程尤为重要。本综述总结了最近 ViT 的进展和解释性方法，以实现医疗诊断应用的透明性。

该文介绍了Greybox XAI框架，通过结合深度神经网络和透明模型，利用符号知识库实现可解释的人工智能。首先，从数据集中提取知识库并用于训练透明模型。然后，通过训练编码器-解码器架构在RGB图像上生成类似于透明模型输出的知识库。最后，将这两个模型组合形成可解释的预测模型。作者展示了该框架在几个数据集上的准确性和可解释性。