本研究提出了一种新方法，通过层级相关传播提升输入神经元的相关性评估，应用于视觉变换器架构。结果表明，该方法在图像分类任务中优于现有技术，并引入了新的评估指标，增强了归因方法的全面性。

本文探讨深度学习模型的可解释性，使用深度卷积神经网络提取图像特征并验证方法的有效性。提出了一种基于可解释性人工智能的CNN剪枝方法，以提升模型的压缩效率。同时，研究了层级相关传播（LRP）在解释型人工智能中的应用，强调其在模型推理和对象定位中的优势。

该文综述多种深度神经网络可解释性方法：通过区域扰动评估热图，发现层级相关传播（LRP）在解释分类决策上更优，并探索利用热图无监督评估网络性能；LRP还用于EEG分析与分类器策略比较。此外，研究提出split training以减少背景纹理学习、NASNet用于小数据下的结构搜索、SENet减少ReLU延迟、Salient ImageNet评估虚假特征及核风险最小化、SR map二步解释、ScaleNet多尺度无监督表示学习等方法。