本研究解决了糖尿病风险预测中的可解释性问题，提出了一种基于Dash的交互式健康风险预测工具。通过使用LightGBM与欠采样策略，本研究实现了最佳召回率，并结合SHAP和LIME技术解释预测结果，强调了共病的相关性，从而为用户提供个性化建议，促进数据驱动的健康意识。

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。

本研究提出了一种新特征选择算法BOLIMES，旨在解决基因表达分类中的高维数据和过拟合问题。该算法结合了Boruta的鲁棒性与LIME的可解释性，优化特征子集，提高预测准确性。

本研究旨在解决传统卷积神经网络在白细胞分类中由于数据集不平衡和数据增强不足所带来的问题。我们提出了一种新颖的集成方法，整合了三种独特配置的CNN架构，显著提升了特征学习效果，并在Rabbin-WBC数据集上取得了最佳平均准确率，验证了模型的有效性和可靠性。此外，采用LIME技术增强了分类器的可解释性，提升了用户对模型预测的信心。

本研究提出了一种新方法，利用零知识证明（ZKP）使可解释性算法LIME适应对抗性环境，评估其在神经网络和随机森林中的表现，以提升模型透明度并保护机密信息。

本研究提出了一个评估大型语言模型透明性和可信性的框架，采用人类推理一致性等四个指标。结果显示，LIME方法在多个模型中表现优异，人类推理一致性得分高达0.9685。

本文探讨了深度学习模型中可解释性与鲁棒性之间的复杂关系，针对深度学习模型在面临对抗攻击和误导性特征依赖等漏洞提出了一种新框架。该方法采用局部可解释模型无关解释（LIME），通过迭代优化模型并减少对无关特征的依赖，实验证明该框架不仅提升了可解释性，还显著增强了模型的鲁棒性和对分布外数据的泛化能力。

本研究提出了一种量子启发的LIME扩展方法Q-LIME $ ext{π}$，通过量子态编码特征向量，提升机器学习模型的透明度。实验表明，Q-LIME $ ext{π}$在小到中等维度特征空间中，特征排名与传统LIME相似，但运行时间更短，为可解释AI提供了新路径。

本研究利用深度学习模型和LIME技术，提高了口腔鳞状细胞癌的诊断能力。EfficientNetB3模型的准确率达到98.33%，F1得分为0.9844，为临床应用提供了基础。

本研究关注低光照图像增强评估中存在的过拟合问题，提出了LIME-Bench这一在线基准平台，以收集人类对低光增强效果的偏好，并建立数据集，验证人类感知和自动评估指标之间的相关性。通过开发LIME-Eval框架，本研究能在没有物体注释的情况下，利用标准光照数据集预训练的检测器，评估增强图像的质量，展现了其创新性和有效性。

本文评估了多模态大型语言模型（MLLMs）在低层视觉感知和理解方面的能力，发现其基本技能不稳定且不精确。研究提出了多个基准测试，如SEED-Bench-2和Multi，揭示了现有模型的局限性，并强调在多语言和多文化环境中评估的必要性，为未来MLLMs的发展提供了重要参考。

本研究解决了深度学习在水下图像分类中缺乏可解释性的问题，提出了一种应用于声纳图像分类的可解释人工智能工具，特别关注LIME技术。研究表明，通过使用子模优化算法的SP-LIME，能够有效提升模型决策的透明性和可解释性，增强了对模型结果的信任和可靠性。

本文介绍了一种可解释人工智能（XAI）的分类法，涵盖功能性、操作性、可用性、安全性和验证性五个维度。通过文献调研，提出了评估标准和期望，以指导新解释方法的开发。文章还探讨了深度学习模型的透明性，提出了Compare-xAI基准测试框架，并分析了LIME和SHAP等多种解释性AI方法，以提高机器学习模型的可解释性。

本文探讨了可解释人工智能（XAI）中的特征重要性评估，指出Shapley值可能导致误导性结果。提出了一种新的特征归属方法和高效算法，比较了SHAP与LIME的解释一致性，并构建了开源库XAISuite，以优化模型解释和性能。

该论文介绍了 LiMe 数据集，这是一个由专家进行详细注解的 325 份文档的语料库，用于掩码语言模型和监督式自然语言处理任务。

本文介绍了多种局部可解释机器学习模型的方法，如LIME-SUP、OptiLIME和DLIME，旨在提高模型解释的稳定性和准确性。研究表明，这些新方法在医疗数据集及其他应用中优于传统LIME，能够提供更可靠的解释。