本研究解决了时间序列分类模型解释性不足的问题，揭示了扰动评价法在不同类别间的显著差异，并提出了带类感知惩罚项的评估框架，以更准确地评估特征归因效果。

深度神经网络模型的优化过程展现出良好的泛化能力。研究揭示了损失函数的高维特性及其对训练动态的影响。通过实验和理论分析，探讨了损失景观的变化、模型解释性技术及其在实际应用中的重要性，并提出了多种算法以提高模型的有效性和稳定性。

本文研究了神经网络的复杂度、偏差-方差权衡及模型解释性。提出聚合解释方法以增强鲁棒性，定义纯交互作用以解决可辨认性问题，并开发Meta-ANOVA以提高模型可解释性，尤其在医学和金融领域表现突出。

本文提出了一种新的可解释人工智能（XAI）评估方法，旨在提高复杂机器学习模型的可解释性。研究介绍了EXACT基准测试平台，结合多种数据集和评估指标，帮助研究人员比较不同的视觉解释技术。文章评估了14种指标在9种XAI方法上的应用，探讨了模型解释性和评估质量的问题，提供了支持XAI验证和比较的创新库和方法。

本文介绍了多种基于Grad-CAM的可视化技术，旨在提高对卷积神经网络（CNN）模型的理解和透明度。这些技术通过可视化重要输入区域，帮助用户建立对模型的信任，并评估其分类能力和解释性。研究还提出了Smooth Grad-CAM++和FM-G-CAM等新方法，增强了模型在物体定位和图像分类方面的解释性和准确性。

本研究提出了一种新的归因算法IDG，解决神经网络模型的饱和问题，评估结果显示其在质量和量化上优于多种现有方法。此外，结合Integrated Gradients和PatternAttribution的PGIG方法在图像退化实验中表现最佳。研究还介绍了广义整合梯度和几何引导的积分梯度法，提升了模型的解释性。

该文综述神经影像中可解释深度学习的现状与应用，讨论相关方法、挑战及如何借助模型解释性捕捉与预测相关的脑解剖和功能变化，并指出当前做法局限，为未来研究提供指导。