- RankSHAP：一种用于排序任务的金标准特征归因方法
通过引入一种公理化博弈论的方法，本文针对排名任务的特征归因方法提出了 Rank-SHAP 算法，并通过多方案的计算效率和准确性评估以及与人类直观的一项用户研究，对算法进行了验证和分析。
- AAAI基于形状子序列的与模型无关的时间序列分类的对抗性局部解释
本文提出了一种模型无关的基于实例的事后解释性方法，用于时间序列分类。该方法利用形状特征和 TimeGAN 为任意时间序列分类器提供对抗性解释。我们通过对 UCR 时间序列存档中的几个真实单变量时间序列分类任务进行验证，结果表明与最先进的方法 - AAAI使用梯度插值和核平滑的连续处理效应估计
通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。
- 剩余阳极
R-ANODE 是一种新的数据驱动，模型无关的共振异常检测方法，通过直接拟合信号组成的小且未知信号部分的标准化流，以及通过从边带学习得到的背景模型（也是标准化流）的固定，提升了异常检测任务的归纳偏好。它能够表现优于所有基于分类器的、弱监督的 - 基于谓词的关联规则：高效准确的模型无关异常解释
该研究介绍了一种用于有效且准确的模型无关异常解释的新方法，使用基于谓词的关联规则（PARs）来解释表格数据中的异常，通过用户研究证明，该方法比现有的模型无关解释选项更易理解和受欢迎，并通过在各种基准数据集上的实验证明 PARs 在计算效率和 - 利用模型压缩解决联合学习中的会员推导攻击
基于研究成果，我们提出了一种新的隐私感知性联邦学习方法 $ exttt {MaPP-FL}$，通过在客户端上利用模型压缩并在服务器上保持完整模型，实现了同时保护客户端和服务器隐私的功能，并取得了有竞争力的分类准确性。
- 高效的模型不可知多组等变网络
提供了对构建特定于模型的群不变网络的有效设计，包括 IS 层，用于满足对称不变性约束，并给出了两个相关问题的解决方案，并通过实验证明其具有竞争力。
- CODA: 基于概念漂移模拟器的时间域泛化
通过数据为中心的视角解决概念漂移问题，提出了一个模型无关的时间域泛化方法，使用 COncept Drift simulAtor (CODA) 框架通过预测的特征相关矩阵模拟未来数据来训练模型，有效地实现了不同模型结构的时间域泛化。
- 样本生成：数据无关的鲁棒特征可视化
我们介绍了原型生成，一种更严格和更健壮的特征可视化方法，用于针对模型不可知、数据独立的图像分类模型的解释性。我们展示了其生成能力，可以产生自然激活路径，从而反驳以往特征可视化算法由于不自然的内部激活而不可信的说法。我们通过定量测量生成的原型 - 反事实解释器集成
通过自编码器的包装方法，我们提出了一个包含多个可解释性对抗性分析器的集合，通过利用多样性导向的选择函数，将这些弱分析器的结果结合起来，从而实现了针对可解释性具有各种重要属性的强大方法。
- 基于 Shapley 值的残差分解方法进行实例分析
该论文提出了一种基于数据实例而非特征的回归残差分解方法，可以识别每个实例对模型以及彼此的影响，从而实现对实例的独立性评估和 Explainable AI 任务的应用分析。
- 生成图像的无修改和模型无关的来源归属
本文提出了一种无需更改且与模型无关的图像源头归属方法，该方法通过对图像生成模型进行输入反向工程，即对特定图像的特定模型的输入进行反转来实现。利用逆向工程的重构损失确定图像来源的方法有效地区分了特定生成模型的生成图像和其他图像，包括不同模型生 - KDD基于图的模型无关数据子采样算法在推荐系统中的应用
通过研究用户 - 项目图的拓扑结构，利用图电导估计每个用户 - 项目交互的重要性并进行网路传播，避免了模型误设（misspecified）对模型基础数据子采样方法的恶化，该方法在 KuaiRec 和 MIND 数据集上的实验结果证明了其相对 - 公平性审计的统计推断
通过多重假设检验，在统计保证的前提下，使用自助法在子人群的集合中同时限制性能差异，从而识别受模型性能不足影响的子人群并验证模型在某些子人群中的适用性。此外，该方法还兼容超丰富甚至无限的子人群集合，并支持评估在某些分布变化下的性能。
- SIGIRMELT: 面向序列推荐的长尾用户和项目相互增强
本文提出了基于互补学习和课程学习的新框架 Mutual Enhancement of Long-Tailed user and item (MELT)，它是序列推荐系统中第一篇同时解决长尾用户和物品的问题，同时也是模型无关的。实验结果表明， - KDD深度神经网络上的模型无关可达性分析
本文提出一种模型无关的验证框架 DeepAgn，通过 reachability analysis，可以解决计算给定输入的最大安全半径和生成地面实际的例子等多个已知鲁棒性问题，尤其适用于处理包括 FNN 和 RNN 在内的复杂深层神经网络的验 - 无监督连续领域漂移学习中的互补域适应和泛化
本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法 CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。
- GNNDelete：图神经网络中的遗忘通用策略
本研究提出了一种名为 GNNDelete 的新型模型级层操作符，它优化了图形撤销的关键性质，确保了已学习到的知识在删除节点和边缘的同时保留，并在七个真实世界的图表上展示了优于现有方法的性能提升高达 38.8%（AUC）的结果。
- MILO: 用于高效模型训练和调整的模型无关子集选择框架
提出 MILO 模型 - 无模型依赖子集选择框架，分离子集选择和模型训练，使用简单的至难课程表实现了更好的模型收敛和性能，能够使模型训练速度提高 3-10 倍，超参数调优速度提高 20-75 倍。
- AAAI面向任务适应性元学习框架的空间泛化能力提升
提出了一种模型无关的元学习框架，采用任务自适应的公式将地域异质性数据集合成位置敏感的元任务，使模型适应大量异质性任务，并在实际社会应用中处理了空间相关的异质性任务。