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。

本研究探讨了钓鱼攻击检测中的特征选择和模型可解释性。通过递归特征消除，识别出“url长度”、“域名激活时间”和“页面排名”等关键特征，并比较了CatBoost、XGBoost和EBM模型的效能。结果表明，优化特征选择和提高模型可解释性显著提升了钓鱼检测系统的性能。

BigBIO项目是一个包含126个生物医学NLP数据集的库，旨在支持语言模型的训练和评估。研究表明，经过精细调整的大型语言模型在生物医学任务中表现优于简单模型。Bio-SIEVE模型在医学文献筛选中表现出色，但在安全优先情境下仍面临挑战。未来研究需关注数据隐私和模型可解释性等问题。

本文介绍了inTrees框架，通过提取和选择树集合中的规则来提高模型的可解释性。该框架适用于分类和回归问题，支持多种树集合类型。研究提出了多种方法，如基于原型的解释、TREX系统、对抗性解释和局部准确规则提取器（Bellatrex），以增强树模型的可解释性和性能。

本文介绍了MultiViz方法，通过四个阶段分析多模态机器学习模型，以提升模型的可解释性和预测能力。研究提出了BenchLMM基准测试，评估大型多模态模型在不同样式下的鲁棒性，发现性能普遍下降。同时设计了VisionGraph基准，探索模型在多模态图论问题上的能力，并提出DPR链以提高推理准确性。研究还强调了高低资源语言模型在多语言环境中的表现差异，并推出GLBench基准评估GraphLLM方法。

本文探讨了机器学习在地球科学中的应用，强调新方法的重要性及其面临的挑战，包括遥感数据的标签瓶颈、模型可解释性、深度学习的优化和多模态预训练的效果。提出了改进技术和工具，以提高地理空间建模的准确性和效率。

本研究提出多种基于深度学习的乳腺超声图像分析方法，包括可解释卷积神经网络、弱监督学习的检测诊断网络和新型分割方法，旨在提高乳腺癌的诊断精确性和模型可解释性。

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。

本文探讨自由和开放的视觉问答（VQA）任务，研究基于深度学习的模型表现及其缺陷，提出新模型和数据集以提升盲人用户的视觉问题解决能力，关注视觉与语言的互动及模型的可解释性，推动未来发展方向。