该论文提出了一个交互式和可解释的机器学习框架，同时结合了一个迭代的 XAI 管道和八个全局监控机制，通过可视化分析系统 explAIner 在 TensorBoard 环境下执行，增强了用户了解机器学习模型以及发现其局限性、优化和更新的能力，同时通过用户研究证实该框架可以帮助用户获得更详尽的信息和发现更多扩展机会。

Jul, 2019

通过交互式机器学习，将对比解释应用于黑盒机器学习系统，个性化调整其条件语句并通过提问 “What if？” 的方式提取更多解释，从而提高系统的透明度。

Jan, 2020

本文提出了一种交互式叠加方法，该方法利用机器学习模型的预测能力，同时允许用户指定决策边界的修改，从而实现在不需要重新训练模型的情况下对决策系统进行实时修改，并展示了用户反馈规则可以与机器学习预测结合以支持更少数据的学习。

Mar, 2022

本文综述了因果可解释模型的问题和方法，并深入探讨了用于衡量解释度的评估度量标准，从而帮助实践者了解每种评估度量标准适用于哪些场景。

Mar, 2020

本篇论文提出一种新颖的扩展方法，将因果关系显式编码进生成输入实例的数据以解释增加信任度和帮助用户评估解释质量的 XAI 方法，并通过实验表明该方法对于拟合黑匣子和解释稳定性均达到了比初始方法更优越的表现。

Dec, 2022

为了解释黑盒模型，本文提出使用决策树对其进行全局解释，并采用新的决策树提取算法避免过拟合，评估表明该方法正确率更高且可解释性更强。

May, 2017

本文概述了因果分析的基本背景和关键概念，总结了最近的可解释机器学习的因果方法，讨论了评估方法质量和因果可解释性中的开放问题。

Jun, 2020

本文提出了一种解释性度量方式并应用于基于过程的结果预测领域，然后通过对 13 个现实事件日志的实验测试七个分类器和可解释技术，提供了一个名为 X-MOP 的指南，以选择合适的模型。

Mar, 2022

通过可解释的人工智能工具和符合可解释人工智能原则的模型简化，本研究探讨了透明度问题在公共政策评估中对因果机器学习的影响，并应用到一个案例研究中，展示了现有工具对于理解黑盒预测模型的不适用性，以及将模型简化以提高可解释性会导致误差的不可接受增加，最终得出需要新工具来正确理解因果机器学习模型及其拟合算法的结论。

Oct, 2023

我们提出了一种基于视觉分析的工作流，用于帮助数据科学家和领域专家探索、诊断和理解二元分类器所做决策的过程，这种方法利用 “实例级解释” 来构建一组视觉表示，通过统计聚合数据、解释数据特征和原始数据三种不同的表示形式帮助用户进行研究。我们还通过研究案例验证了该方法的可行性。

May, 2017