本研究探讨了LIME在解释黑箱模型时的信度、稳定性和适用性，填补了对LIME概念及其局限性的研究空白。通过分类和比较LIME的增强方法，提供了结构化分类法，以指导未来的研究和实践者选择合适的方法。

本论文探讨了机器学习中黑箱模型的可解释性问题，提出通过设计内在可解释模型来增强信任。研究表明，结合符号知识的混合学习方法可以在不同领域中替代黑箱模型，推动更负责任的机器学习应用。

本研究提出DART方法，通过重述、语义解析、评分和多类分类四个步骤，解决了现有AIGT检测器在黑箱大型语言模型检测中的低效问题，能够有效区分多种模型，展现出实际应用潜力。

本研究提出了一种隐私保护人脸识别（PPFR）方法，解决了黑箱模型推广和对抗学习的影响。通过扰动全局特征和增强局部特征，识别准确率达到94.21%，在隐私保护和抗重构能力上优于现有方法。

本研究提出DREAM框架，针对黑箱模型的属性逆向工程，解决了在未知训练数据情况下的研究空白。该方法通过分布外泛化，开发出领域无关的元模型，有效推断黑箱模型属性，实验结果显示其泛化能力超越现有方法。

本研究探讨了钓鱼检测中模型可解释性，比较了黑箱与白箱模型的优缺点，并提出最佳应用方案。结果表明，白箱模型适合需要可解释性的场景，但两种模型在不同数据集中的表现仍需改进。

本研究提出了一种直接优化黑箱机器学习模型解释的方法，旨在提升解释的可靠性和灵活性，允许用户在不同特性之间进行权衡，以满足特定任务需求。

本研究探讨在高风险应用中使用黑箱机器学习模型时，如何平衡透明性、可解释性和用户隐私。通过私密信息检索技术，提出方案保护用户隐私并精确获取反事实解释。尽管如此，数据库仍可能泄漏信息，研究提出减少泄漏的策略以提高隐私保护。

本研究提出新方法，解决黑箱模型的可解释性问题，克服现有方法的局限，并为未来研究指明方向。

本文比较了可解释机器学习模型与黑箱模型的预测性能，特别是广义加性模型（GAMs）。研究表明，复杂数据不一定需要牺牲可解释性，GAMs在实际应用中表现良好，强调了其在信息系统中的重要性，并展望了未来研究方向。

本研究提出了一种新型的对抗触发器生成方法IndisUAT，能够绕过DARCY防御，解决了神经网络分类模型的通用对抗触发器攻击问题。研究发现，IndisUAT在保护模型中显著降低了检测准确率，并在黑箱模型中展示了其潜在影响。