本研究使用违反期望的技术（VOE）将儿童物理学习知识测试方法应用于人工深度学习系统，探讨相关图像化物理概念从感官数据中提取的方法，并介绍了一个受发展心理学启发的探测数据集。结果表明 VOE 技术可以为未来的物理学知识研究提供有用的工具。

Apr, 2018

本研究采用六种 XAI 措施并邀请六名人类专家对谋杀预测相关黑盒模型生成的解释进行人类可解释性期望评估，结果显示～49% 的一致性并提出了进一步研究的需求，以满足实际问题的复杂性和人类因素的要求。

Oct, 2022

本论文提出了一项基于视觉任务的评估基准，以测试人工系统对于宏观物体、运动、力等物理理解的程度，同时介绍了两个旨在以无监督的方式学习直观物理的深度神经网络系统，并通过与人类数据的比较，对下一帧预测建筑的潜力和限制进行了新颖的结果分析。

Mar, 2018

深度学习算法的崛起在计算机视觉任务中取得了重大进展，但它们的 “黑匣子” 性质引发了对可解释性的关注。可解释人工智能（XAI）作为一个重要的研究领域出现，旨在打开这个 “黑匣子”，并揭示人工智能模型的决策过程。视觉解释作为可解释人工智能的一个子集，通过突出显示输入图像中的重要区域，为处理视觉数据的人工智能模型的决策过程提供直观的见解。我们提出了一个 XAI 基准，其中包括来自不同主题的数据集集合，为图像提供了类别标签和相应的解释注释。我们引入了一个全面的视觉解释流程，在这个流程中整合了数据加载、预处理、实验设置和模型评估过程。此结构使研究人员能够公平比较各种视觉解释技术。此外，我们对视觉解释的超过 10 种评估方法进行综合评述，以帮助研究人员有效利用我们的数据集合。为了进一步评估现有的视觉解释方法的性能，我们使用各种以模型为中心和以真实标注为中心的评估指标在选定的数据集上进行实验。我们希望这个基准可以推动视觉解释模型的进步。这个 XAI 数据集合和用于评估的易于使用的代码公开可访问。

Oct, 2023

本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理，并将其组织为三种一般的技术方法，提出了该领域的六个分类任务。最后，本文强调了当前领域的挑战并提出了一些未来的研究方向。

Feb, 2022

该论文介绍了一种新的算法，利用由 Observer Engine 和 Physicist Engine 组成的流程来从视频中推断出物理规律和数学公式，实验结果表明该算法能够有效地应用在不同的物理世界中。

Nov, 2018

研究人员提出了一种心理学理论，解释了人们如何从显著性图中得出结论，为 XAI 中的精确预测和验证提供了理论依据，并进行了一项用户研究以验证该理论。

May, 2022

本论文提出了一种通过学习多视角 RGB 图像预测场景未来发展的 3D 模型的框架，并使用条件神经辐射场视觉前端和 3D 基点动态预测后端来捕获底层环境的结构以及强关系和结构归纳偏差，相较于先前的方法，我们的模型对准确的点估计和跟踪不再具有依赖性，可以应对较复杂的场景，并在长时间预测方面表现较好。

Apr, 2023

该研究使用证据权值框架介绍和评估可解释性目标识别模型，提供人性化的解释并研究了不同场景下其表现，并通过人类行为研究和 Sokoban 游戏研究证明该模型可以成功生成人类模拟的解释，并调查观察者在接受解释后对任务预测、解释满意度和信任的理解。

Mar, 2023

本文提出了一种可解释理解物理模型，其中瓶颈层的特定维度对应不同的物理属性，利用此模型我们对不同形状的碰撞进行了训练，并对不同类型的场景进行了推理，结果表明该模型能够很好地解释物理现象并进行泛化。

Aug, 2018