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。

该研究提出了一种高性能的机器学习模型来解决钓鱼邮件问题，并利用公共数据集进行验证。该模型在现实应用中表现出色，f1得分达到0.99，并集成了可解释的人工智能（XAI）以提高用户的信任度，提供实时基于Web的应用程序帮助用户检测钓鱼邮件，为打击钓鱼行为提供准确解决方案。

该研究开发了一个可解释的人工智能用于船舶避碰。通过评论者网络对碰撞避免中的每个子任务进行评估，阐明人工智能决策过程。通过Q值分析和注意机制识别行为意图，并可视化AI在碰撞避免中的行为意图。经过实验证明该方法能够安全避免碰撞，并使AI的决策过程对人类可理解。该方法适用于包含子任务的任何任务。

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），重点是理解人工智能模型输出的原因。该框架旨在革命性地改变人们对人工智能处理过程的理解，使其更加透明和可解释。这种方法有潜力重新定义与人工智能的交互，在医疗保健和其他重要领域中实现信任和明智决策。

我们提出了一种机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，并引入了可解释的人工智能（XAI）功能。通过初步用户调查，我们评估了XUI对任务性能、用户满意度和认知负荷的影响，并提出了一个大规模后续研究的研究设计。

本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF）和极端梯度提升（XGBoost）模型取得了最佳结果，其中 DT 具有最高的准确率（95.23%）和曲线下面积（0.95）。根据 SHAP 结果，愤怒问题、抑郁和社交孤立是预测自杀风险的主要变量，而拥有良好收入、受人尊敬的职业和大学教育背景的患者具有最低的风险。结果表明，机器学习和 XAI 框架对于自杀风险预测具有有效性，可以帮助精神科医生理解人类复杂行为，并可协助可靠的临床决策。

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更加以人为中心的发展。通过对105篇选定文章进行综述，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。

本文探讨了可解释的人工智能方法学的演变和应用，包括医疗保健和金融等领域。同时讨论了生成模型的可解释性、负责任的人工智能实践以及伦理影响方面的挑战。研究了可解释的人工智能与认知科学的融合、情感智能人工智能的发展以及人工智能系统中人类智能的追求。对意识、伦理和社会影响的考虑变得重要。致力于解密大脑奥秘和实现人类智能的追求代表了技术进步与人类认知探索的努力。

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。