eXplanation Based Learning (XBL) 是一种交互式学习方法，通过与解释交互来提供一种透明的训练深度学习模型的方法。我们提出了一种在分类损失中添加距离感知解释损失的方法，该方法训练学习者关注训练数据集中的重要区域。我们提出了一个解释能力度量标准，用于评估基于可视特征归因的模型解释，并展示了该方法在三个图像分类任务上的性能。

Sep, 2023

本文提出了一种使用两个输入示例及其对应的 GradCAM 模型解释作为示范解释来实现交互式机器学习的新方法，旨在减少 eXplanation Based Learning 中的用户交互和费用支出，该方法对医学图像分类任务产生了良好的效果。

Jul, 2023

在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。

Aug, 2023

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

使用可解释的工具变量（IV) 学习框架，将电子健康记录与深度学习模型相结合处理躯干 X 线图像，消除偏误关联并获得准确的因果表征，最终实现了较好的性能表现。

May, 2023

通过引入临床概念到分类过程中，我们提出了一种基于概念瓶颈模型的预处理方法，改善了肺癌检测的分类性能（F1＞0.9），同时生成比现有技术更可靠、临床相关的解释，解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。

Mar, 2024

本文提出了一种机器学习模型稳健性的框架，通过人类关于因果关系的常识知识来解决模型在训练和测试过程中的不一致性问题。透过在每个训练数据中加入人类标注的潜在未测变量，将问题转化为协变量转移问题，并引入分布稳健优化目标来控制测试时偏移的最坏情况损失，实验结果表明，在具有旋转混淆的数字识别任务和分析 NYPD 警务巡逻地点混杂的任务中能获得 5-10% 和 1.5-5% 的性能提升。

Jul, 2020

探索使用对抗性样本阐述来理解医疗图像诊断中深度学习模型的决策机制。

Jul, 2022

本文用因果学方法构建了结构性因果模型 (SCM)，利用反向门控调整选取肺部 X 光的有效视觉信息，去除混杂物对真实因果性学习的影响，实验结果表明，我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。

May, 2023

通过深度学习技术，本研究旨在将不同的肺部疾病分为五类，并以 96.21% 的准确率通过 Xception 模型进行分类和诊断。

Apr, 2024