本研究提出了一种基于分割符合预测框架的方法，旨在减轻大型视觉语言模型在视觉问答任务中的虚假内容问题。该方法通过动态阈值标定和跨模态一致性验证，在用户定义的风险水平下构建具有统计保证的预测集，适用于医疗和自动化系统等安全关键领域。

本文探讨了基于BERT的分类器和大型语言模型的可解释性技术，提出了TextGenSHAP和SyntaxShap等方法，以提高模型的解释保真度和性能。这些方法通过分析句法结构和特征提取，生成更准确的预测解释，适用于安全关键领域的可解释AI。

本文探讨了基于模型不可知性量化的符合性预测方法在人工智能系统中的应用，尤其是在地球观测、自动驾驶和手术机器人等安全关键领域。该方法提供可靠的不确定性信息，增强决策的可靠性，研究表明其在不确定性量化方面表现优越，适用于多种应用场景。

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。

本文介绍了一种新技术——反事实知识蒸馏（CFKD），可以通过人类专家反馈帮助检测和消除深度学习模型对混淆因素的依赖。该技术在受监管或安全关键领域有着重要作用，并提出了一个实验方案来定量评估 CFKD 的成功情况以及能够对模型提供反馈的不同教师。通过实验，论文证明了 CFKD 的有效性。

本文提出了一种通过神经网络预测后验分布的主成分，以提高在安全关键领域中图像恢复模型的部署速度。