近年来，面向可解释人工智能（XAI）的研究受到关注。尽管复杂的机器学习模型在智能任务中表现优异，但对模型如何解释数据的关注日益增加。为了解决XAI与建模技术之间的矛盾，我们提出了SHapley Additive exPlanations（Shap）方法，通过系统扰动分析生成特征重要性，并量化解释质量的一致性。

本文讨论了机器学习模型解释性和可解释性的问题，并提出了12个概念性属性来评估解释的质量。文章还提供了定量XAI评估方法的概述，以及帮助研究人员和从业者验证、基准测试和比较XAI方法的创新库和方法。

开发了一种称为 Meta-ANOVA 的新方法，用于为任何给定的预测模型提供可解释性模型，通过筛选不必要的交互作用，在处理过程中摒弃了计算困难，实验证明了 Meta-ANOVA 的优越性。

本文研究软间隔支持向量机优化问题的数值解，通过使用 NFFT 加速的矩阵向量乘积和 ANOVA 分解特征空间的方法，结合预处理方法和 Krylov 子空间求解器，对线性鞍点形式的线性系统进行求解，比较了 ANOVA 核方法与默认 LIBSVM 实现方法在大规模数据集上的准确性和性能表现。