本研究提出了一种基于计算树逻辑的自然语言解释框架，旨在提升人工智能在顺序规划中的信任度。该框架有效地解释了蒙特卡洛树搜索算法，确保用户查询与环境动态的一致性，表现优异。

本文研究通过因子论证为贝叶斯网络推理构建自然语言解释，以提升易用性和准确性。提出的算法优化了论证展示，显著改善了医学领域用户的理解效果。

Plang是一种基于意图的编程语言，可以解释自然语言。它允许将事件绑定到目标和步骤，具有强大的功能。它可以用4行代码解决身份验证问题。Plang还可以用于自我纠正的软件，通过指示LLM修复代码。如果有错误，Plang助手可以更新代码。如果仍然有空字段，则需要修复前一个目标。有关更多信息，请访问plang.is。

本文介绍了一种新颖的多步骤管道，利用反事实生成自然语言解释，帮助用户理解如何通过改变决策因素来改进分类器的输出。实验结果显示该方法在与反事实一致性和内容质量方面具有良好的表现，展示了其在可解释人工智能领域的潜在应用价值。

本文探讨了一种基于神经网络的推荐系统，利用用户评分生成自然语言解释，以提升用户满意度。研究结合多任务学习和大型语言模型，提出了有效的解释性推荐框架LLMXRec，实验结果表明其在推荐性能和解释质量上均表现优越。

本文探讨了基于深度神经网络的自然语言解释方法，重点在反事实解释的生成与评估。研究评估了不同机器学习模型对反事实解释的影响，并提出了改进可解释性的策略。SIDU-TXT方法在情感分析中表现优异，但在法律领域仍需进一步研究。

本文探讨了多种可解释人工智能（XAI）模型和框架，旨在提升人类与自主系统之间的理解与信任。研究内容包括生成自然语言解释、评估可解释性模型的标准，以及增强黑盒模型解释的鲁棒性。实验结果表明，这些方法在自然语言理解和分类决策中表现优异，推动了可解释性研究的发展。

本文探讨大型语言模型（LLMs）的忠诚度评估，提出了一种基于自我一致性的测量方法CC-SHAP，强调模型输出的自我一致性与内部工作的重要性。通过反事实输入编辑器和生成的自然语言解释（NLEs）重建输入，评估模型的忠实度。研究发现模型大小与忠实度之间存在复杂关系，并提出生成解释框架xLLM以提高解释质量。

本文研究视觉问答（VQA）中的可解释性问题，提出了InterVQA方法，通过明确的中间推理结构生成自然语言解释，展示支持答案的证据。该方法在Visual Genome数据集上验证有效性，旨在提高VQA系统的自动化和人类评估指标，推动可解释人工智能的发展。

本文探讨了通过观察状态和行为生成自然语言解释，以提升智能代理的透明度和用户互动。研究强调了在教育和自动驾驶等领域中，结合大型语言模型和区块链技术的可解释性和信任问题，提出了增强系统安全性和性能的新架构和方法。

本文研究了自然语言解释的连贯性评估方法，并提出了基于Transformer的新方法。实验结果表明，该方法能够提高解释的连贯性，而不影响推荐性能。