本研究提出了一种基于范畴的解释函子的方法，以提高可解释人工智能的解释一致性和可靠性。验证结果表明，该方法在合成基准测试中有效减少了矛盾和不忠实的解释生成。

本研究提出EXAGREE框架，旨在解决机器学习中解释的一致性问题。该框架通过优化多方利益相关者的解释，确保预测性能的同时减少了解释分歧，提高公平性和透明性。研究表明，EXAGREE在多个领域显著降低了解释分歧，为相关研究开辟了新方向。