本研究提出了SurvUnc元模型框架，旨在解决生存分析中的不确定性量化不足问题，通过锚定学习优化不确定性估计，从而提高模型的可解释性和可靠性。

本研究提出了一种新方法，通过追溯反事实来提高模型的可解释性，解决了传统方法忽视因果关系的问题。该方法结合因果推理，生成可操作的解释，并在实验中显示出比现有技术更深刻的模型洞察。

本研究提出了一种新颖的槽关注机制SMARTe，旨在解决关系三元组提取任务中的模型不可解释性问题。该方法实现了内在可解释性，同时保持与最先进模型相当的性能。

本研究探讨了工业计算机视觉中人工智能标准的缺失，强调了模型可解释性、数据质量和合规性的重要性。通过分析国际标准化机构的相关标准，提出了未来规范化面临的挑战与方向。

本研究提出了一种基于多样性的数据选择策略，利用稀疏自编码器衡量数据多样性，以优化大型语言模型的调优过程。该方法提高了模型可解释性，训练效果优于其他方法，降低了成本，并有助于更好地控制模型行为。

本研究提出一种两阶段自监督学习方法，以解决痴呆症患者行为模式分析不足的问题，提升模型可解释性，支持认知状态预测和个性化护理干预。

本研究探讨大型语言模型在多语言处理中的能力，提出“潜在罗马化”概念，揭示非拉丁文字的罗马化形式在模型中的中介作用，表明模型在原文字和罗马化文本之间的语义共享，为多语言建模和模型可解释性提供了新方向。

本研究探讨了钓鱼检测中模型可解释性，比较了黑箱与白箱模型的优缺点，并提出最佳应用方案。结果表明，白箱模型适合需要可解释性的场景，但两种模型在不同数据集中的表现仍需改进。

随着AI技术的发展，模型可解释性问题愈发重要，尤其在医疗等关键领域。华中科技大学研究团队提出CGS-Mask方法，结合时间序列预测与可解释性，提升模型透明度，帮助用户理解预测结果，增强信任。该方法在医疗和天文学等领域具有广泛应用潜力，已被国际会议接受发表。

本研究解决了钓鱼攻击检测中的特征选择与模型可解释性问题，识别关键特征并评估多种算法的效果，显著提升了检测系统的性能。

本研究提出一种新框架，将人机协作特征选择与双深度Q网络结合，解决高维特征选择的适应性和可扩展性问题，显著提升MNIST和FashionMNIST数据集的分类准确率和模型可解释性。

本文讨论通过增强模型可解释性来解决伪相关性问题。利用多个基础模型协同作用，构建无需人工标注的CBMs。针对预训练模型的偏差，提出新框架以减少伪相关性影响。实验结果表明，该方法有效减少模型对伪相关性的依赖，同时保持可解释性。

本研究提出了因果规则森林（CRF）方法，解决了个性化治疗推荐中的HTE和CATE问题。CRF提高了模型的可解释性与预测准确性，有潜力推动个性化干预和政策的发展。

该研究介绍了一种新型深度学习算法，能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应。该算法在结构健康监测中取得了显著的预测准确性和早期损伤检测，并在多种监测方案中适应性改进。该研究为人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。

本文介绍了张量网络在发展可解释的机器学习算法方面的应用。通过无监督聚类算法，证明了基于矩阵乘积态（MPS）的方法在性能上与传统的深度学习模型相当，并提供更丰富的模型可解释性。该方法能够提取特征概率、Von Neumann熵和互信息，为异常分类提供出色剧情，并提高人工智能决策的透明性和可解释性。

本研究提出了一种时空注意力图神经网络模型，结合了图神经网络和时间卷积神经网络，以提高预测精度和模型可解释性。该模型在统一归一化下表现出了卓越结果，对于多个操作条件的数据集，聚类归一化提升了27%的模型性能。

通过信息论探测套件分析了9个任务，包括语法、语义和推理。发现语法知识在全面训练的0.5%后迅速获得，持续性能改善主要来自对开放域知识的获取。语义和推理任务则受益于后期对长距离语境化和更高专业化的提升。跨任务相似性的测量揭示了语言相关任务在训练期间共享信息，这在关键学习阶段更为明显。这些发现对模型可解释性、多任务学习和有限数据学习具有重要意义。