该论文提出了一种基于梯度的快速、高效的方法，用于解释和规范神经网络模型，通过检查和有选择地惩罚其输入梯度，以提供法线，进而改善模型的透明度和可靠性，以避免在训练和测试条件不同时出现错误原因，其效果在多个数据集上验证成功。

Mar, 2017

提出了使用 RES 框架进行监督解释的方法以提高深度神经网络的外推泛化性和内在的可解释性，该框架可解决标注不准确、区域不完整和分布不一致等挑战，经测试在两种实际图像数据集上均表现较好。

Jun, 2022

通过生成图像的方式来优化分类器结果、分析图像分类器的行为和决策、检测系统错误并可视化神经元，验证现有观察结果并发现新的错误模式或有害的虚假特征。

Nov, 2023

提出了一种新的深度学习视觉识别模型，可根据可见物体的特征进行分类，并生成解释说明预测标签的原因，该模型使用了一种基于采样和强化学习的新型损失函数，能够生成与现有描述方法不同的描述结果。

Mar, 2016

本研究提出了一种理论框架和三种不同技术来提高对解释的稳健性。通过训练方法，激活函数的平滑以及网络 Hessian 的最小化，实现了对提高模型的抗干扰能力。实验结果证实了这些方法的有效性。

Dec, 2020

本文介绍了如何直接优化指标来训练生成逐句解释的模型，其诊断属性包括忠实度、数据一致性和置信度指示，并在三种复杂推理任务上显著提高了解释质量、与人类理性的一致性和下游任务表现。

Sep, 2021

该研究通过一个众包实验，探讨解释机器学习模型的预测对人类是否具有帮助，并发现在给定特征系数的情况下，人们能够更有效地对线性词袋模型进行操纵，但解释对 BERT 型分类器并没有显著提高操纵能力，而通过伪造 BERT 模型的线性模型的对全局归属的解释则可以有效地操作 BERT 型模型。

Dec, 2021

本文提出了一种基于解释性约束的学习框架，利用统计学习理论分析了这种解释如何提高模型的学习效果。首先定义了一种叫做 EPAC 模型的概念，其中这些约束在新数据的期望中成立，然后通过传统学习理论工具对这类模型进行了分析，并对一类梯度信息进行了限制，最后提出了一种基于变分逼近的算法来实现这种框架，并在大量实验中展示了其优越性。

Mar, 2023

本文提出了一种名为 CDEP 的方法，可帮助实践者利用现有的解释方法来增加深度学习模型的预测准确性，并使用上下文分解（CD）提供的解释来演示该方法在一系列玩具数据集和真实数据集上提高了性能。

Sep, 2019

AI 模型的可解释性通常会因降低准确性而受到质疑。我们开发了一种训练策略，不仅提高了目标分类方案的解释性，同时并未降低准确性，实现方式是对决策网络作出决策的可视证据进行区域定位，其表示方法为表征哪些像素对网络决策的贡献最大的显著性图。我们的训练策略通过使模型集中于直接对应于地面目标的图像区域的反馈，在自动和人工指标的量化中量化可解释性，并提出了可解释性作为弥合不同域之间视觉 - 语义差距的手段。我们证明，这种方法不仅提高到新领域的泛化性能，而且不会影响在原始领域上的性能。

Mar, 2020