本文介绍了一种基于绑架式解释的机器学习方法，用于计算神经网络模型的局部解释。该方法通过优化词汇子集和保持预测不变性来提高解释框架的效果，并通过配置不同的扰动集来检测预测结果的偏见。作者在三个情感分析任务上评估了该方法的有效性。

本文介绍了一种基于绑架式解释的机器学习方法，用于计算神经网络模型的局部解释。该方法通过优化词汇子集和确保预测不变性来提高NLP解释框架的效果。文章在SST、Twitter和IMDB数据集上评估了该方法，并展示了其有效性。