通过生成对抗图像，我们提出了一种方法来揭示影响黑盒模型的决策的关键特征，以提高医学图像分类中深度学习模型的可靠性。

深度学习在遥感数据分析领域取得进展，但缺乏可解释性和可解读性。可解释人工智能技术用于遥感图像分析得到广泛研究。

通过一种全面解释性的框架，我们提出打开大语言模型的黑匣子，既关注机制可解释性、组件功能和训练动态，又通过隐藏表示进行行为分析，以实现与人类价值相一致的伦理、诚实和可靠推理。

本文介绍了一种基于物理信息的去噪自编码器 (PI-DAE) 在商业建筑中填补缺失数据的方法，通过引入物理知识实现更可解释的预测，有效解决建筑能源建模中的缺失数据问题。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法，实现了黑匣子深度模型的准确性和自由的可解释性。在表格数据上与最先进的分类器一样准确，在实际预测中也具有与最先进的解释技术相当的解释能力。