本研究提出了一种新方法，解决了可解释人工智能框架中对预测不确定性忽视的问题。通过使用比例Shapley值，将预测不确定性归因于输入特征，从而提升高风险机器学习应用的理解与沟通效果。

本文研究了概念瓶颈模型（CBMs）中输入特征与概念向量的关联性，提出了一种新方法来衡量概念的重要性。通过概率模型、能量模型和递增残差模型等方法，提升了模型的可靠性和解释性，解决了概念完整性和数据处理的挑战。此外，研究展示了如何通过无监督概念发现和大型语言模型来提高模型性能，减少对伪相关性的依赖。

该文提出了一个多关系分类模型，通过定制的输出架构和利用额外的输入特征，解决了关系分类任务中的不平衡预测问题，并在基准数据集上展示了其卓越性能。

本文研究了在重要领域的学习模型中是否需要全部的输入特征来进行准确预测。研究发现，在个性化环境下，只需提供少量特征即可保证系统准确度。研究还提供了一个高效的序列算法来选择个体应提供的属性。

本文介绍了一种通用的离线学习方法，通过考虑输入特征的计算成本，并将成本约束纳入到决策变换器的扩展中，从而在推断过程中限制其成本，使模型能够在每个时间步动态选择最佳输入特征。通过实验验证了该方法的有效性，并表明相比传统方法，它能够在使用较少计算资源的情况下实现类似的性能。