这篇论文介绍了 DORA（Data-agnOstic Representation Analysis）框架，它利用网络内部的自我解释能力，提出了一种新的距离度量方法，对 DNNs 的表示空间进行了数据无关的分析。通过这个度量方法，可以检测到可能存在风险的异常表示，该方法最终应用于分析并识别了广受欢迎的计算机视觉模型中的人工异常表示。

Jun, 2022

该论文提出了一种新的方法对数据进行异常检测，首先将一类支持向量机模型重新组合成带距离函数和最小池化的神经网络，然后执行深度泰勒分解以解释模型预测结果。

May, 2018

该研究提出了一种计算 DT 的极小解释集 PI-explanations 的新模型，该模型可在多项式时间内计算一个 PI-explanation，并将枚举 PI-explanations 减少到枚举最小击中集的数量。实验结果表明，在大多数情况下，DT 的路径是 PI-explanations 的子集。

Oct, 2020

本文证明了决策树并不总是能够提供简明易懂的解释，因为存在着解释冗余的路径。文章提出了一种理论严谨的路径解释方法，并提供了多项实验结果来支持这一结论。文章还提出了一种消除路径解释冗余的算法，可以实现简约而不失理解性的解释。

May, 2022

本篇论文旨在实现一种系统评估 LTR 模型解释技术的方法，即通过决策树焕发的 ground truth 特征重要性得分，和这些解释技术产生的特征重要性得分进行直接比较，以此来比较 MQ2008 数据集上的 LTR 模型分别采用决策树和梯度提升模型时这两种解释技术的准确性，并表明这些技术的解释准确性很大程度上取决于所解释的模型和解释的数据点。

Mar, 2022

该研究提出了一种数据驱动的方法，基于判别回归树来学习不同输入类别之间的差异，在线性功能聚类和谱聚类上进行优化，以更准确地分析性能问题，实验结果表明，该算法在运行时间和分类准确性方面优于其他基于回归树的算法。

Nov, 2017

提出使用基于决策树的推理和合成数据来平衡分类，具有可完整解释且不需要使用 GPU 的 DMR 原型方法和网络架构，可以有效解决多类别问题中类别不平衡的问题，并在多个基准测试问题的测试中获得最佳表现和两个世界纪录。

Feb, 2020

本文提出了一种新的机器学习解释方法，利用局部准确规则提取器（Bellatrex）从随机森林生成的决策树中预选少量多样化规则，在降低维度、聚类等过程中通过解释少数规则从而解释整个森林预测结果，经 89 组真实数据测试，证实在二分类、回归、多标签分类和预测事件任务中，Bellatrex 方法可以有效、准确地代替随机森林，并在性能上表现优异。

Mar, 2022

通过改进方法，我们引入了一种名为 DoRaR 的特征归属方法，解决了透明度受限、黑盒模型等困扰，通过对 MNIST、CIFAR10 和自行合成的数据集的全面测试，证明了 DoRaR 特征归属方法能有效绕过上述问题，并有助于训练优于其他最先进特征归属方法的特征选择器。

Oct, 2023

通过近似算法研究具有噪声结果的最优决策树问题，以及在测试或假设中具有大量噪声结果时性能逐渐下降的情况。

Dec, 2023