本研究提出了一种基于变压器的归因方法，旨在解决现代营销中的归因分配问题，整合会员级、聚合级数据及外部因素。该方法在LinkedIn的实施显著影响了营销和广告技术领域。

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。

本研究提出了一种新的性能-可解释性分析框架，用于评估机器学习方法。通过基准测试多元时间序列分类器，发现扰动法为优选。研究强调选择合适的归因方法与用例相关性，并通过比较不同分类器和相异度度量，提供了优化时间序列数据分析的见解，指出了继续研究的必要性。

本文探讨了基于放松的功能依赖概念的特征选择与归因方法，评估了多种归因技术的有效性。研究发现某些方法在优化时无法准确归属特征。提出了新的评估方法和图像归因算法，以提高模型可解释性，并通过实验验证了其优越性。同时，分析了Shapley值归因的解释误差，提出了改进现有方法的新概念。

本文提出了一种新的评估方法，用于基准测试可解释人工智能（XAI）归因方法，重点关注解释的忠实度和稳定性等指标。实验结果表明，梯度加权类激活映射（Grad-CAM）和随机输入抽样解释（RISE）表现优异。研究还探讨了特征重要性方法及其在不同数据集上的应用，旨在提高模型的透明度和可信度。

本文探讨了多语言自然语言推理（NLI）的归因方法，评估其合理性和忠实度。研究发现，知识神经元在Transformer网络中对事实和关系知识的归因表现不同。提出了知识感知语言模型归因（KaLMA）任务，改进了传统归因模型，并通过实证分析探讨了大型语言模型的写作特征及其在跨语言问答系统中的应用，旨在提高归属度和可靠性。

本文探讨了自然语言推理中的归因方法，评估其合理性和忠实度。提出了多语言 NLI 数据集，回顾了模型解释方法，强调忠实度的重要性，并总结了现有方法的优缺点及未来研究方向。此外，介绍了提高语言模型解释质量的框架 xLLM，以及评估自然语言解释忠实度的挑战和方法。