本研究探讨了代理在决策过程中如何战略性回应决策者模型。我们提出了一种新方法，利用局部解释来最大化决策者效用，同时保障代理福利，并通过实证结果验证了其有效性和安全性。

本研究提出了xai_evals框架，旨在评估机器学习模型后置局部解释方法的可靠性，以提高AI系统的可解释性和信任度。

本文介绍了一种基于绑架式解释的机器学习方法，用于计算神经网络模型的局部解释。该方法通过优化词汇子集和保持预测不变性来提高解释框架的效果，并通过配置不同的扰动集来检测预测结果的偏见。作者在三个情感分析任务上评估了该方法的有效性。