该论文主要介绍了 Fuzzy Cognitive Maps 在时间序列预测中的应用。该方法具有知识可解释性、动态特性和学习能力。该论文综述了文献中最重要和最新的基于 FCM 的时间序列预测模型，并提出了应对现实实验中的挑战和未来研究的思路，如处理非平稳数据和可扩展性问题。此外，为了使其具备快速学习算法，将 FCMs 与这一领域的主要关注点之一。

Jan, 2022

通过使用遗传算法，为每个代理创建模糊认知图 (Fuzzy Cognitive Maps)，从而实现对行为异质性的模拟，研究以营养干预为例子，证实了该方法可以生成和真实人类相似的异质代理人口并跟踪其发展轨迹。

Feb, 2022

通过模糊认知图确定解释性人工智能模型信任度，评估不同解释满意度对信任度的影响，并结合医学专家在 COVID-19 诊断任务中的表现来分析信任行为。

Jul, 2023

本篇论文提出一种新颖的扩展方法，将因果关系显式编码进生成输入实例的数据以解释增加信任度和帮助用户评估解释质量的 XAI 方法，并通过实验表明该方法对于拟合黑匣子和解释稳定性均达到了比初始方法更优越的表现。

Dec, 2022

本研究引入了一种新的方法论，名为用户反馈式反事实解释（UFCE），以解决当前反事实解释算法的局限性，并旨在提高对提供的解释的置信度。实验证明，UFCE 在接近度、稀疏度和可行性方面胜过两种著名的 CE 方法，并指出用户约束对生成可行的反事实解释具有影响。

Feb, 2024

解释性人工智能 (XAI) 是一项关键研究领域，旨在增强人工智能系统的透明度和解释性。反事实解释 (CFEs) 通过探索某些因素不同的替代情景，为机器学习算法的决策过程提供有价值的洞察。本文主张细致理解 CFEs，了解用户目标和目标应用的多样化需求，以设计更有效且量身定制的解释，以满足用户的特定需求，从而提高与人工智能系统的协作。

Apr, 2024

本文介绍了一种基于 Venn-Abers 的新型特征重要性解释方法 Calibrated Explanations，该方法能校准底层模型、生成特征重要性解释并对概率估计和特征重要性权重进行不确定性量化。此外，该方法对模型没有偏见、规则易于理解、可生成反事实解释和不确定性量化。

May, 2023

通过梯度优化，引入了一种新的整合方法，为可区分分类模型生成本地、小组和全局反事实解释，以解决全局反事实解释所面临的挑战，并增强了可行性和可信度，从而提高了 AI 模型的可解释性和负责任性。

May, 2024

分布式人工智能中引人注目的一个研究论文，介绍了一种创新的方法用于以保护隐私的方式分布式学习基于粒子群优化的模糊认知图，为遵守当前规定提供数据隐私，通过这种方法应用于癌症检测问题，证明模型性能得到了改进，结果与文献中相似。

Feb, 2024

该研究提出了一种新的可解释人工智能框架，利用反事实概率和关于因果结构的先验信息，以实现通过因果发现方法和黑盒分类模型来估计因果图并估计解释得分，从而更准确地解释模型的内部机制。通过人工数据的数值实验和信贷评级的实际数据应用，证明了该方法在因果图未知的情况下的有效性。

Feb, 2024