本研究提出了一种新方法，通过追溯反事实来提高模型的可解释性，解决了传统方法忽视因果关系的问题。该方法结合因果推理，生成可操作的解释，并在实验中显示出比现有技术更深刻的模型洞察。

本研究分析了粒子群优化算法在配置不明确时的低可靠性问题，探讨了不同通信拓扑对信息流和收敛速度的影响，提升了优化决策的可解释性，并提出了选择合适拓扑的建议。

本研究提出了一种引导嵌入优化方法，以提高大语言模型在序列推荐中的可解释性和性能。通过增强基础推荐系统的嵌入，该方法显著提升了推荐效果，提升幅度达到10%到50%。

本研究提出了一种新的混合精度后训练量化方法——任务-电路量化（TaCQ），通过将关键任务权重保持为16位，显著提高了在2至3位量化条件下的模型性能，同时仅增加了少量内存开销。

本研究提出了一种基于搜索的方法，旨在解决生成式人工智能模型在艺术和版权内容方面的透明性问题。该方法分析训练数据对模型输出的影响，增强可解释性，并有效识别影响力子集，为用户评估提供基础。

本研究提出了一种新方法，通过将句子自动转换为图结构，提升自然语言处理的可解释性。实验结果表明，该方法在识别文本关键信息方面表现优异。

本文提出了一种新框架，将组织规范融入多智能体强化学习中，显著提升了智能体行为的可解释性和可控性，并验证了预定义组织规范与训练智能体的一致性。

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。

本研究提出了一种新的理论框架，利用数学模型p-Conv有效识别自然数同余类，揭示神经网络行为的成功与失败模式，为可解释人工智能提供新视角。

本文提出了一种新框架，将变压器模型中的残差流视为逐层演变的动力系统，研究大型人工智能模型的内部机制，揭示了不同层次间残差流单元的强连续性，为理解现代神经网络提供了基础。

本研究提出CS-SHAP方法，扩展Shapley加性解释至循环谱域，以提高神经网络在机械智能故障诊断中的可解释性。CS-SHAP能够更准确地评估载波和调制频率的贡献，其解释性优于现有方法，适用于高可靠性故障诊断场景。

本研究提出了“集群可用性损失”函数，以解决神经网络可解释性不足的问题，通过模块化训练形成独立集群，显著提高模型的可解释性。

本研究提出了一种新方法，通过“块”处理原理解释神经网络活动，发现嵌入状态能够识别输入概念的规律性块，为神经网络的解读提供了新的框架。

本文探讨了人工智能中的机制可解释性，强调通过命题态度（如信念、愿望）来解释AI系统的机制和行为的重要性。研究建议建立“思维日志”系统，以记录AI的命题态度，从而提升对人工智能的理解和解析能力。

本研究分析了尼泊尔，特别是加德满都的空气污染及其对健康的影响，并提出利用机器学习预测空气质量指数。氢α生物降解过滤器在去除PM2.5和PM10方面效率超过98%，对公共健康和环境保护具有积极作用。

本研究提出了一种新颖的模块，构建公平潜在空间，以解决机器学习模型在公平性与可解释性之间的研究不足。该模块通过解耦和再分配标签及敏感属性，生成反事实解释，验证了其在保障公平性和解释偏见决策方面的有效性。

本研究提出DLBacktrace技术，旨在提高深度学习模型的透明度和可解释性，优于现有方法，从而增强AI系统的可信度和负责任的部署。

本研究提出了一种新算法，以提高Tsetlin Machine模型的可解释性。经过修剪的模型在与人类注意力图的一致性和准确性方面均有所提升，具有重要的应用价值。

本研究提出了一种新方法，通过特征描述符增强深度学习模型的可解释性。实验表明，该方法在面部识别和胸部X射线诊断中优于传统技术，提高了系统的透明度和可追责性。

该研究探讨了机器学习模型在临床应用中的准确性和可解释性，提出了一种新评估指标以比较模型与临床规则。结果表明，结合临床协议的机器学习模型在护理连续性和预测解释方面优于全数据驱动模型。