本文探讨了弱监督学习在多实例部分标签学习中的可解释性和可靠性问题。通过引入归纳逻辑编程，提出了一种神经符号框架，增强了模型的结构性和学习指导，提高了模型的稳健性和透明度，确保神经网络的预测符合领域知识，适用于高风险应用。

本研究提出了一种名为STX-搜索的方法，旨在提高高风险应用（如医疗和交通）中时空模型预测的可解释性。该方法通过新颖的搜索策略和目标函数，生成高保真度的实例级解释，优化了解释的可理解性。与现有方法相比，STX-搜索在解释质量和大小上表现更佳。

本研究探讨了现有人工智能监管框架的局限性，指出传统基准测试无法有效保障AI系统的安全。建议采用双层监管框架，加强对高风险应用的监管，并对低风险使用进行适当的风险沟通。

本研究提出了一种新的PCP框架，解决了复杂分布和有限样本下覆盖效率不足的问题。通过向量化非顺应性分数和优化预测集形状，显著提高了效率。实验结果表明，该方法在合成和真实数据集上表现优异，特别适用于高风险领域。

本文探讨了Shapley值在特征重要性评估中的局限性，指出其在高风险应用中可能导致误导性结果。研究提出了新的框架FAE，结合博弈论和Shapley值，以提高模型的透明度和可信度。此外，提出了基于流形的Shapley方法，以解决传统Shapley在复杂场景中的解释性挑战。

本研究探讨了大型语言模型（LLM）的自信度问题，提出了一种新的置信度估计框架，通过评估多个候选答案的可信度来减轻过度自信。实验结果表明，该框架有效提高了模型的准确性和校准能力，增强了用户对模型输出的信任，尤其在高风险应用中具有重要意义。

本文提出了一种有效的边缘计算推理方法，重点在设备模型计算成本与中间特征通信成本的权衡。通过模型拆分、通信感知模型压缩和任务导向特征编码，构建了三步框架，显著降低推理延迟，并探讨了边缘机器学习在高风险应用中的有效性。