通过对方差进行可解释的对称分解，探讨了深度学习算法的偏差与方差之间的关系，发现随着网络宽度的增加，偏差单调下降，但方差存在非单调行为，并可以通过集成学习消除互作用导致的方差发散。

Nov, 2020

本文发展了形式工具，用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果，并提供了识别这种分解的充分条件。所述方法有多个应用，从可解释和公平的 AI 到流行病学和医学问题，并在真实世界数据集上证明了其用途。

Jun, 2023

综述了黑箱机器学习方法与传统数值方法和领域专业知识相结合的混合算法在科学机器学习和各种工业领域，尤其是计算科学与工程中的重要性日益增长。对结合机器学习和区域分解方法的研究进行了调查，包括：经典机器学习的区域分解，用于加速物理感知神经网络训练的区域分解，使用机器学习改善区域分解方法的收敛性或计算效率，以及机器学习作为解决偏微分方程区域分解方法的离散化方法。在每个领域，总结了现有工作和重要进展，并最后讨论了未来研究的挑战和机会。

Dec, 2023

提出了基于功能分解的模型不可知复杂度量度来量化任意机器学习模型的复杂度，并展示了在同时最小化损失和复杂度的多目标优化中应用这些量度的方法。

Apr, 2019

本文针对深度学习模型的可解释性分析依赖因素作出第一次研究，提出 Explanation Dependency Decomposition 方法，并使用解释验证预测结果。

Dec, 2020

本研究提出一种基于深层分解的体系结构，以学习大型图的有效表示。通过在图的分解层次上展开神经网络模板，解决通常表征社交网络图的高度可变性。采用领域压缩技术，减少空间和时间复杂性，实验证明该方法与当前最先进的图分类方法具有竞争力。

Mar, 2017

本文介绍了一种新的方法来解释深度学习模型的分类决策，特别是在图像分类方面，该方法利用了所提出的深度泰勒展开技术，可以提高模型的可解释性并从输入元素的贡献中得出解释。

Dec, 2015

通过信息熵，我们提出了一种实用的方法来解压数据中的重要变化，以研究复杂系统。

Jul, 2023

本研究提出一种新的无监督和半监督技术，称为拓扑分层分解（THD），该技术将数据集分解为不断变小的群组，并将这些群组与自恰复合体相关联，从而能够识别不同的贷款者群体并解释贷款决策的原因。

Nov, 2018

研究使用多步推理和分解复杂问题在机器阅读领域的作用，发现在小数据集的情况下，分解可以提高准确匹配得分，但在数据集超过几百个样例时，分解则毫无帮助。

Dec, 2022