本研究解决了当前可解释人工智能(XAI)工具无法有效检测大语言模型(LLMs)中的偏见这一问题。通过首次提出文本到序数的映射策略，该 paper 使用全球 XAI 方法（如 RuleFit 和 SHAP）分析在 LLMs 中注入的非线性偏见，并提出了结合了 SHAP 和 RuleFit 的新算法 RuleSHAP。重要发现表明，RuleSHAP 在检测注入偏见方面效果显著提升，平均提高了94%的检测能力。

本研究探讨数据工程选择对局部特征解释的影响，强调特征表示方法在生成SHAP等特征重要性值时的敏感性，并揭示该领域系统探索的不足。

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。

本研究解决了基于聚合SHAP值丢弃特征的有效性问题。通过分析发现，小的聚合SHAP值并不总是意味着特征对函数无影响，因此提议在扩展支持上聚合SHAP值，从而确保小的聚合值可以安全地丢弃相应的特征。研究结果不仅具有理论意义，还在实际应用中提供了新的视角，推动了对SHAP的深入研究。

本研究提出CS-SHAP方法，解决神经网络在机械智能故障诊断中的可解释性问题，能够更有效地评估载波和调制频率的贡献，优于现有方法，具有广泛的应用潜力。

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。

本研究解决了机器学习模型可解释性方法选择的困惑，尤其是在医疗等高风险领域。作者对SHAP和GradCAM两种常用可解释性技术在人类活动识别中的应用进行了比较，揭示了它们各自的优缺点与适用场景，并提出根据具体模型和应用选择适当方法的指导。研究发现，SHAP适合提供详细的特征重要性，而GradCAM适合快速空间解释，二者可根据需求互为补充。

通过集成互联网入侵检测系统（IDS）与可解释人工智能（XAI），提出了一种易于解释的泛化机制（IG），显著提高了网络攻击检测的准确性。IG能够有效区分正常与异常流量，并揭示复杂的入侵路径。实验结果表明，IG在多个数据集上表现优异，具备良好的泛化能力和可解释性，增强了IDS的可靠性。

本文介绍了多种贷款审批技术。使用逻辑回归和BERT提高预测准确性，并通过SHAP和LIME分析特征重要性。还探讨了LangChain和对话式AI在自动化贷款预测中的潜力。结果表明，机器学习工具能深入分析数据，但理解AI决策过程以符合法律和公平要求仍然重要。

本研究提出了一种名为shap-select的特征选择框架，利用SHAP值进行回归分析，解决高维数据集的特征选择问题。实验表明，shap-select在可解释性、效率和性能上表现出色。

设计了一种多模式图变换器（AMIGO），通过细胞图为患者提供单一表示，利用组织层次结构动态关注细胞级和组织级信息。在生存预测中，AMIGO优于其他技术，具有强大鲁棒性，即使缺失20%数据也能保持性能。模型在两个癌症数据集中有效区分低风险和高风险患者。

本研究评估了机器生成文本（MGT）检测器解释质量的不同方法（SHAP、LIME和Anchor）的效果。研究发现，SHAP在可信度和稳定性方面表现最佳，LIME在用户预测表现上最差。

本文提出了一种新型的无数据依赖的洗牌攻击方法，证明了现有解释性AI方法无法检测洗牌攻击。研究发现不同的SHAP估计算法在检测此类攻击的有效性上表现各异。这一研究为提高模型的公平性检测提供了新的思路与方法。

骨架动作识别中存在数据不平衡的挑战。本文提出了一种平衡表示学习方法，通过动作探索策略和动作感知学习计划解决长尾问题。实验证明该方法在四个骨架数据集上取得了大幅改进和卓越的泛化能力。

本研究使用SHAP对模型解释进行了影响样本大小的研究，结果显示随着样本量的增加，解释逐渐趋于一致，集成方法具有更高的一致性，为信任解释提供了指导。需要进一步研究模型类型、数据领域和解释方法。