该论文提出了一种对机器学习任务中基于排列的解释方法的脆弱性进行揭示的对抗性框架，特别关注了偏依赖图。研究结果使用真实数据集进行验证，发现可有意隐藏预测器的歧视行为，提供了对监管机构和从业人员的管理洞察。

本文提出了一个双层对抗性框架，使用动态对抗性学习和分层增强学习策略来提升检测的鲁棒性。同时，使用空间频率交互网络来更好地分离干扰和显著特征。实验结果表明，该方案在多种干扰下的 IOU 明显提高了 21.96％，在基准测试中提升了 4.97％的 IOU。

该文提出了一个双层对抗性框架，使用动态对抗性学习和分层增强学习策略提高检测鲁棒性，同时使用空间频率交互网络分离干扰和显著特征。实验结果表明，该方案在多种干扰下的 IOU 明显改善了 21.96％，在基准测试中提升了 4.97％的 IOU。