本研究提出了 Sparse-GEV 模型，即基于极端值建模的潜在状态模型，以自动学习稀疏的时间依赖性并进行预测。该模型是学习多元极值时间序列稀疏时间依赖性的第一批模型之一。实验结果表明，我们的算法在一个模拟数据集，一个气候数据集和两个 Twitter 数据集上比最先进的方法，包括 Granger 因果性，copula 方法和转移熵，表现更优越。

Jun, 2012

提出了一种名为 spex-LVM 的因子潜变量模型，它利用了基因遗传通路的先验知识，通过稀疏先验来推断可解释的因子，以发现单细胞 RNA 测序数据的变化。

Jul, 2021

本文通过引入稀疏表示的思想将 word embeddings 应用到 sentence embeddings 中，基于主题连贯性方法引入了一种新的、定量的自动化评估指标，并在电影对话数据集和 MS COCO 数据集的场景描述上观察到了 interpretability 的提高。

Sep, 2018

本论文提出一种在自然语言处理中，以任意文本序列作为解释单元以提高解释的可解释性、效率和忠实度的方法，该方法实现了一种带模型的忠实度保证的 Hessian-free 算法，并且提出了一种基于语义的评估度量，该度量可以更好地与人类对解释的判断相匹配。多个实际数据集的实证结果表明，相对于 Influence Function 或 TracIn 等解释技术，所提出的方法具有优越的性能。

Jun, 2021

我们提出了一种选择性解释的特征归因方法，它检测出深度学习模型产生低质量解释的情况，并使用初始猜测解释技术改善这些解释，从而使实践者能够在提供初始猜测的解释之间进行选择，从而弥补了深度学习模型及其高质量对应物之间的差距。

May, 2024

本文提出了一种支持决策者做出公正的借贷决策的框架，其中包含可解释的机器学习模型、可交互的可视化工具以及三种类型的解释。该框架通过提供全局与个性化的解释获得了 FICO 的认可奖。

Jun, 2021

本研究提出针对线性支持向量机模型的反事实解释算法，旨在增加模型的可解释性，该算法能够改变可操作的特征，并考虑诸多因素，包括特征之间的相关性以及其对数据分布的影响，此外，本研究还引入了两种新型的度量反事实解释质量的无尺度代价函数，并用实际的医学数据集来验证该算法的有效性，最后，在对律师资格考试数据集进行研究后，运用提出的算法发现了支持向量机所固有的偏见。

Dec, 2022

通过新颖的去噪 k 稀疏自编码器的变种，我们生成了高效且可解释的词向量，并在大规模人类评估中表现出比 GloVe 和 word2vec 更好的可解释性和性能。

Nov, 2017

本文通过提出两种替代方法，列出重要特征来解释预测模型，以解决使用人们行为数据所建模型难以解释的问题，并发现这两种方法具有双倍的 “解释效果”，且产生的重要特征排序相似。

Jul, 2016

本文探讨了非对称 Shapley 值（ASV），一种流行的 SHAP 加法局部解释方法的变体。ASV 提出了一种改进模型解释的方式，将已知的因果关系考虑进去，也被认为是测试模型预测中的不公平歧视的一种方式。同时，该方法对 Shapley 值中的对称性进行放松可能会导致直观相悖的结果，不适合根本原因分析。我们证明了 ASV 在广义可加模型（GAM）下具有良好性质，并通过理论结果支持了我们的观点。最后，我们使用梯度提升和深度学习模型在多个实际数据集上演示了非对称归因的使用情况，并将结果与不使用受限的模型族进行了比较。

Oct, 2023