提出了 AI 推理器，它从图像中提取缺陷的形态特征（DefChars），并利用决策树对 DefChar 值进行推理，随后导出可视化和文字解释以提供对基于掩膜的缺陷检测和分类模型输出的洞察，并为增强数据预处理和整体模型性能提供有效的缓解策略。通过对包含缺陷的 366 张图像的 IE Mask R-CNN 模型输出进行解释，测试了 AI 推理器的有效性，结果展示了它在解释 IE Mask R-CNN 模型的预测方面的有效性。总体而言，提出的 AI 推理器为需要缺陷分析的工业应用中改善 AI 模型的性能提供了解决方案。

Jul, 2023

通过深入研究，我们评估了各种机器学习算法在预测野火相关任务中的分类和回归任务方面的有效性。我们发现，对于不同类型或阶段的野火分类，XGBoost 模型在准确性和稳健性方面优于其他模型。与此同时，Random Forest 回归模型在预测受野火影响范围方面展现出更好的结果，同时在预测误差和解释方差两方面表现出色。此外，我们还开发了一个集成数值数据和图像信息的混合神经网络模型，用于同时进行分类和回归任务。为了深入了解这些模型的决策过程并确定重要的特征，我们利用了可解释的人工智能（XAI）技术，包括 TreeSHAP、LIME、Partial Dependence Plots（PDP）和 Gradient-weighted Class Activation Mapping（Grad-CAM）。这些解释工具揭示了各种特征的重要性和相互作用，突出了影响野火预测的复杂因素。我们的研究不仅证明了特定机器学习模型在野火相关任务中的有效性，而且强调了模型透明度和可解释性在环境科学应用中的关键作用。

Apr, 2024

该研究旨在开发一种可解释的人工智能（XAI）框架，以实现在车削过程中对工具磨损进行可理解的预测。通过使用随机森林算法作为监督式机器学习（ML）分类器，以加速度、声学、温度和主轴转速等输入特征进行二元分类训练，该分类器可用于预测切割过程后刀具的状态，以表示切割刀具是否可用或失效。在训练过程中，使用了 Shapley 准则来解释训练后的 ML 分类器的预测。具体而言，识别了决策和分类中每个输入特征的重要性，以解释 ML 分类器预测的推理。在对所有测试数据集实施 Shapley 准则后，发现刀具温度是确定可用和失效切割刀具分类的最重要特征。因此，该研究展示了 XAI 在工具磨损预测中为加工操作者提供诊断和理解复杂的 ML 分类器的能力。

Aug, 2023

通过利用人们提出 “为什么这个输出（事实），而不是那个输出（替代品）？” 这个问题的倾向，使用本方法利用局部训练的决策树来识别导致树将数据点分类为替代品而不是事实的不相交规则集，从而减少要素数量。

Jun, 2018

在机器学习模型中，为了避免社会伦理问题影响人们的生活，必须对决策过程进行透明解释。为此，本文提出了一种名为 LionForests 的随机森林解释技术，其提供规则作为解释，并在二元分类任务到多类别分类和回归任务中均适用，并且通过实验表明了其有效性和其与先前技术的不同之处。

Apr, 2021

森林监测的研究中，通过使用机器学习算法和遥感技术，整合多种感知模态的全球规模森林数据集，提出了首个统一的森林监测基准测试集（FoMo-Bench），包括多个森林监测任务，并引入了全球性的新数据集 TalloS，旨在激发机器学习和森林生物学研究者之间的合作。

Dec, 2023

文章介绍了 FERMAT（英语数值推理的多维视角评估集），它通过对数值理解、数学操作和训练依赖等关键数值推理方面进行评估，提供了关于已有模型在不同数值推理方面的优势和劣势的全面评估，并能够系统化自动生成任意大规模的训练或评估集。

May, 2023

本研究基于原始 deep forest 模型，引入 MART 基础学习者，成本方法，MART 特征选择和不同评价指标等模型改进，开发出可用于极大规模任务的分布式 deep forest 模型，检测到超过 1 亿个训练样本的现金提款欺诈，实验结果表明该模型具有最佳性能，可以阻止每天大量的欺诈交易和显著降低经济损失。

May, 2018

本文研究了如何将一个名为 LionForests 的技术应用在多标签分类问题上，通过采用三种不同的策略来解决难以解释的问题，同时提供了定性和定量实验来评估效果。

Jul, 2022

提出了一种名为 Feature Monitoring 的灵活系统，它能够检测高维度输入数据的数据漂移，并能够观察机器学习算法的行为，该系统的轻量、高效和解释性特征排序可以帮助排查问题和减少添加自定义信号的需求。

Jul, 2022