本文介绍了一种无监督方法，用于通过基于规则的聚类解析未开发的文本语料库，以揭示其显著类别，从而帮助领域专家进行新任务，并提高解释性及可解释性。

Oct, 2020

该论文探索了自然语言处理中有关如何在不同领域中提取精准的解释的方法，其中侧重于后续解释和固有的忠诚度模型，并且发现后续解释的忠诚度在许多情况下比在领域内更高，而在跨域设置中，选择后预测模型的预测性能与完整训练模型相当。

Feb, 2022

提出UniCausal标准化数据集作为因果文本挖掘的基准，包括因果序列分类、原因-结果跨度检测和因果对分类等三项任务，并利用BERT预训练模型作为初始基准测试，取得了不同任务的二元F1分数，为研究人员提供了一个有利的研究平台。

Aug, 2022

在机器学习中，理解分类器推荐或预测背后的推理对用户非常重要。然而，学习的模型通常太复杂，以至于人类难以理解。本文提出了一个通用框架，用于在文本领域生成反事实解释，这个框架是不限于模型、表示和领域的，并且可以随时使用。本文将任务建模为通过替换文本的各个部分来转换初始状态为分类文本的搜索问题，包括独立于领域的运算符，但也可以通过专门的运算符利用领域特定的知识。搜寻算法试图找到距离原始分类对象具有最小的基于单词级别的Levenshtein距离的互补类文本。

Nov, 2022

该论文提出了一种名为DISCO的新框架，可以使用大规模语言模型生成高质量的反事实数据，并借助特定于任务的老师模型过滤生成，以提高模型的稳健性和泛化性能。实验结果表明，使用这种方式进行学习，学生模型的鲁棒性和跨分布能力比基线提高了6%（绝对）和5%。

Dec, 2022

使用大型语言模型作为反事实解释模块，通过提取潜在特征生成可解释黑盒文本分类器的决策的对策性解释。通过评估多个具体度的框架变体，显示了在不同设置下这些模型的性能差异，其中一种基于两步特征提取的变体在大多数情况下表现最好。该流程可用于自动解释系统，潜在地减少人工工作量。

Sep, 2023

Therapy是第一个针对文本适应性的全局模型无关解释方法，通过合作生成文本来跟踪分类器所学习的分布，无需输入数据集，提供对模型行为的全局概述。

Oct, 2023

本文就LLM（如GPT4）在因果发现任务中的综合应用进行了全面的调查，系统地回顾和比较了现有的LLM利用方法，并强调了它们在推断因果结构中利用元数据和自然语言的创新使用。我们的分析揭示了LLM在增强传统CD方法和作为不完善专家方面的优势和潜力，同时也揭示了当前实践中存在的挑战和限制。此外，我们还确定了文献中的空白，并提出了旨在发挥LLM在因果研究中全部潜力的未来研究方向。据我们所知，这是第一次对LLM和CD之间的协同作用进行统一而详细的调查，为未来的进展奠定了基础。

Feb, 2024

我们提出了一种方法，将人类决策的解释性文本注释引入文本分类模型，从而提高模型解释的可信度，并通过多目标优化算法在性能和可信度之间达到平衡，从而显著提高模型解释的质量。

Apr, 2024

使用结构性因果模型分析了探索语言模型中潜在概念的能力，通过在合成的网格世界导航任务中进行实证研究提供了强有力的证据。

Jul, 2024