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。