本研究探讨高维机器学习模型预测不确定性的解释，提出利用概念激活向量来增强模型的局部和全局可解释性，从而提升信任度。

最近的研究关注深度神经网络（DNNs）的可解释性，特别是基于概念的解释方法。文章回顾了概念激活向量（CAVs）的性质及其对模型解释的影响，提出了新的概念激活区（CAR）构建方法，并探讨了如何利用这些概念提高模型的可解释性，旨在推动可解释人工智能的发展。

本文综述了可解释人工智能（XAI）领域的C-XAI方法，提供了分类体系、选择指南和评估策略，促进该领域的发展。研究探讨了基于概念的解释方法及其在深度神经网络中的应用，展示了概念激活向量和自动提取概念的有效性，并指出了未来的研究方向与挑战。