本研究提出QuXAI框架，旨在提升混合量子-经典机器学习模型的透明性和可靠性。通过结合量子特征映射与经典学习，QuXAI有效解释特征重要性，展现了在增强量子人工智能可解释性方面的潜力。

本研究探讨数据工程选择对局部特征解释的影响，强调特征表示方法在生成SHAP等特征重要性值时的敏感性，并揭示该领域系统探索的不足。

本研究提出了一种基于代数分级的分级神经网络（GNN）框架，克服了传统神经网络在特征重要性处理上的局限性，定义了分级空间的特性，并提升了计算的数值稳定性和梯度缩放，为机器学习和光子系统的应用开辟了新方向。

本研究评估了机器学习模型解释方法的特征重要性估计质量，发现这些估计对数据属性敏感，并在不同情境下存在显著差异，为选择合适的解释方法提供了重要见解。

本研究提出了一种利用对抗生成样本来改善深伪检测器的特征重要性推断和视觉解释的方法。通过生成扰动掩码，研究表明该方法显著提升了检测性能，更准确地识别操纵图像区域。

本研究提出了一种结合卷积神经网络与可解释增强机器的新模型，旨在解决深度学习在阿尔茨海默病诊断中的可解释性不足问题，并提供可解释的特征重要性度量。

本研究探讨了在数据隐私背景下有效验证机器遗忘的方法，提出了基于特征重要性的验证步骤，并开发了热图覆盖和注意力转移两个新指标来评估这些方法的有效性。

近年来，可解释人工智能（XAI）迅速发展，关注模型对数据的解释。本文提出了一种模型不可知的方法——SHapley Additive exPlanations（Shap），通过系统扰动分析生成特征重要性，并对特征重要性方法进行分类，以量化模型解释的一致性和相似性。

近年来，面向可解释人工智能（XAI）的研究受到关注。尽管复杂的机器学习模型在智能任务中表现优异，但对模型如何解释数据的关注日益增加。为了解决XAI与建模技术之间的矛盾，我们提出了SHapley Additive exPlanations（Shap）方法，通过系统扰动分析生成特征重要性，并量化解释质量的一致性。

本研究提出了一种新方法DIP，旨在解决可解释机器学习中特征重要性测量的混淆问题。该方法将特征重要性分解为独立、交互和依赖贡献，并提供新的可视化方式。

本研究提出QIXAI框架，利用量子力学原理增强卷积神经网络的可解释性，揭示特征重要性及层间依赖关系。案例表明其在疟疾寄生虫检测中的有效性，推动可信人工智能系统的发展。

近年来，可解释人工智能（XAI）快速发展，关注如何解释复杂模型的数据。针对Shapley Additive Explanations（Shap），提出了一种模型不可知的方法，通过系统扰动分析生成特征重要性。该算法在动态推理下评估机器学习和深度学习的解释质量，并提出特征重要性方法的分类体系，衡量一致性和模型间相似性。

基于图神经网络的混合模型通过将全球气候和野火数据表示为图形，解决了传统模型中海洋数据缺失和远程相关性的问题。在新数据集上表现优异，并通过社区检测和集成梯度分析揭示了野火的相关性和特征重要性。研究推动了野火预测方法的发展，强调了模型透明度的重要性，为野火管理提供了有价值的见解。

本研究引入了充分性和必要性的新特征重要性概念，以改善复杂机器学习模型在高风险决策中的解释能力。通过统一这些概念，提升了模型解释的全面性。

本研究提出了MusicLIME模型，用于解释多模态音乐模型的特征重要性，提升可解读性和公平性。