提出了一种模型无关对比解释方法（MACEM），旨在对任何分类模型生成对比解释，该方法处理实际和分类特征，提出了计算相应正例和反例的新方法，并通过 5 个公共数据集的定量和定性验证来证明该方法的有效性。

May, 2019

提出使用 CEN（contextual explanation networks）架构进行预测，生成中间简化的概率模型作为解释，为每个预测生成有效的、实例特定的解释，并可用于决策支持。CEN 架构不仅和现有的最先进方法相竞争，且在决策支持方面提供了有价值的额外细节。

May, 2017

该研究提出了一种利用潜空间对分类模型进行对比解释的方法，可以对输入的文本进行高、低级别的概念和属性归纳分析，以实现更准确、细粒度的模型可解释性。

Mar, 2021

提出了一种基于历史对比学习的事件预测模型 Contrastive Event Network (CENET)，利用历史和非历史信息来区分最具潜力的匹配实体，并使用二元分类器生成布尔掩码以指示相关实体的搜索空间，采用基于掩码的策略生成最终结果，实验结果表明 CENET 在事件预测方面明显优于现有方法。

Nov, 2022

为了解决机器学习模型的可解释性问题，本研究提出了一种基于梯度优化和概率模型逼近的反事实解释方法，可以适用于不可微模型如树模型，并且该方法得出的反事实案例要优于其他针对树模型的反事实方法。

Nov, 2019

在不需要重新训练或调整的情况下，使用预训练的生成模型，介绍了生成因果关系和可解释的反事实解释方法，以提供对黑匣子算法的透明性，并获得对面部属性分类器的对比和因果支持和必要分数，从而展示不同属性如何影响分类器输出。

Jun, 2022

在本研究中，我们理论上证明了数据集的熵可以通过在图的不同视图之间最大化互信息的下界来近似计算，即熵由神经网络估计。基于这一发现，我们提出了一种简单而有效的子集采样策略，以对数据集的视图之间进行配对表示的对比，我们通过从给定图中随机采样节点和边，构建输入子集用于视图。然后，两个视图输入到一个参数共享的 Siamese 网络中，用于提取高维嵌入并估计整个图的信息熵。我们通过同时使用两个目标来优化网络的学习过程，其中对比损失函数的输入包括正例和负例对。我们的对比选择策略与以前的方法不同，并根据视图间的相似性选择节点来增强图编码器的表示能力。我们通过在相似性得分的指导下选择高度相似的样本和完全不同的数据来丰富正例和负例对的多样性。我们还引入了一个跨视图一致性约束，以保证从整个图的角度来看，所学到的表示在不同视图之间是一致的。我们在七个图形基准上进行了大量实验证明，所提出的方法在性能上与当前最先进的方法相当。本文一旦被接受将公开发布源代码。

Jul, 2023

通过对多种对比方法的理论分析，本论文扩展了有关数据表达的对比学习的理论保证，并验证了这些发现在多个基准数据集上的实际有效性。

Nov, 2023

该研究关注对语言模型的对比解释，证明对比解释在验证大型语法现象和改善对相互模拟性上是可量化地更好的，并且可以表征模型在各种语言生成决策中使用的输入令牌。

Feb, 2022

提出了一种简单快速的生成可解释反事实解释的方法，无需辅助模型，使用分类器的预测不确定性，在 IM1 得分方面比现有方法生成更可解释的 CEs。此外，该方法还允许估计 CE 的不确定性，这在医疗等安全关键应用中可能非常重要。

Mar, 2021