本文提出了使用程序作为模型无关解释的方法，通过基于模拟退火的原型程序归纳方法，对黑匣子分类器进行本地行为的近似，生成的解释对于多个分类器具有直观性和准确性。

Nov, 2016

该研究提出一种通过学习 if-then 规则来全局解释黑盒机器学习模型行为的方法，并通过公开数据集和数字营销数据集的黑盒模型进行实证验证。

Jun, 2017

本文提供了关于黑盒决策系统和可解释性的分类，以及开放式黑盒模型的方法，帮助研究者找到适合自己工作的提案，并对许多研究开放性问题有所启发。

Feb, 2018

该研究呈现了机器学习的可解释性与PDR框架，探讨了现有解释方法的分类与优劣评估，提供了实际案例并讨论了未来研究方向。

Jan, 2019

本文介绍一种可用于描述和评估可解释系统的分类法和一组描述符，该分类法包括五个关键维度：功能性、操作性、可用性、安全性和验证性。通过对机器学习的文献进行调研，提取作者们提出或隐含使用的标准和期望，在此基础上提出了五个关键维度，并将其制成可操作的解释事实表格形式，以便于快速掌握特定解释方法的能力和局限性。此分类法可指导新的解释方法的开发。

Dec, 2019

该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

Nov, 2020

本文提出了一种混合解释性模型和灵活模型来实现机器学习模型设计的方法，其中以一种新的方式使用一阶逻辑来实现解释性模型，同时通过不断的迭代优化过程从而达到较好的性能表现，并为混合符号连接网络提供了框架。

Jul, 2023

评估可解释性模型的统一框架是该论文的重点，它介绍了各个研究群体对解释性评估的重叠和语义错位，并提出了解释的可行性和可理解性的评估标准，以及基于可解释神经网络的学习行为预测的案例。

May, 2024

本研究针对机器学习模型解释能力的缺乏进行了深入探讨，提出了在解释模型时必须考虑底层分布这一重要因素。通过分析模型类型、解释形式和底层分布，研究显示底层分布的选择显著影响解释的复杂性，揭示了生成社会统一解释的必要前提。

Aug, 2024

本论文探讨了人工智能领域基础模型（FMs）的快速发展及其对智能与推理的影响。研究揭示了FMs的训练特点及其推理能力的最新进展，强调这些进展并非单纯因为模型规模的增加，而是源于新颖的训练技术。这项研究的主要发现是，尽管FMs在推理与知识表示方面展现出良好发展，但理解其内部机制仍然是一个重大挑战。

Sep, 2024