#可解释AI

一篇反向思路的研究：不是用因果模型生成解释，而是把人类解释当学习信号来发现因果结构，还证明了何时该拒绝错误解释。

这个新框架能帮你理解保险欺诈检测过程，比传统方法更透明可靠。

npj Digital Medicine@Xing Yang原文

MIT 团队打造实体化 AI 艺术装置，通过物理操控电视天线体验扩散模型生成过程，比纯软件交互更直观。

MolLedger用原子级分数解释药物分子预测，比传统方法更符合化学特性，药物研发人员值得关注。

这篇论文提出了局部蒸馏方法，对于需要可解释性的AI模型来说是个重要进展，值得一读。

这是科研团队用可解释AI做气候预测研究，用模型分析大气环流与降水联系，预测干旱效果比常规方法更好。

FlightLLM用LLM解释飞行事故原因，比传统方法更直观，还能直接给出可操作的安全建议。

这篇论文给遥感图像分割的可解释性带来了新思路，用熵做核心，还配了新的评估方法，比现有方法效果更好。

这篇论文告诉你：给AI代码审查加解释，反而可能让人更不听话。详细解释信任高但同意率低，这结论挺反直觉的。

想理解AI在空管这种高风险场景怎么解释自己？这篇论文用显著图告诉你智能体为什么选择某条航线，很实在。

这篇论文用智能体自动发现概念，让REIMS数据的手术切缘评估更可解释、更准确，真实术中场景也表现更好。

想要可解释的回归模型？这篇论文展示了Ex-Fuzzy库的新能力：用10-15条规则就能达到0.86的R²，比黑箱模型还直观。

想用 AI 辅助康复评分又怕黑盒？PhaseAware 精度高（RMSE 降 88.9%），还能给出运动阶段和身体部位的敏感线索，方便医生审查边界案例。

这篇论文发现Transformer学算术的方式跟人很像，用教人算术的策略来调模型，效果还真不错，想了解LLM推理机制和可解释性的话值得一看。

这篇论文提出一种结合LLM和专家验证的抑郁症标注框架，能自动生成符合DSM-5-TR标准的推理轨迹，减少人工修订。适合研究可解释AI和心理健康数据标注的人。

用DINOv2-Small做MCI筛查，只训1.19M参数就比ResViT好，还自带可解释性，做医学影像分析的可以看看。

想验证AI解释的可信度？ConceptSMILE能审计概念级解释的可靠性，MedSAM和VLM在不同维度各有优劣，论文给出了量化证据。

这篇论文把知识图谱和可解释AI怎么配合讲清楚了，还给出了四种具体集成模式，干城市矿产评估的可以看看。

这篇论文打破了‘解释会牺牲准确率’的旧观念，用RashomonLLM让大模型自动生成解释还能反过来提升预测，三个真实场景实测都更强，研究很扎实。

这篇论文提出了一种新查询语言ExplAIner，能统一处理各种模型解释查询，还证明计算效率高，对做形式化XAI的人很有用。

这篇论文把化学描述和分子结构分开建模再相加，既准确又能解释预测依据。在AqSolDB和BigSolDB2上效果很好，适合医药研发。

这篇论文让AI模型不再黑箱：用积分方程把算子学习拆成可解释的局部贡献，在流体力学上验证了梯度区域是模型重点。

这篇论文提出了CPAgents，用三个智能体自动组合心脏影像特征，相比传统方法在56/72测试中拿第一。适合关心AI辅助医学研究的读者。

98%准确率识别棉花叶病

建筑能源管理团队终于有了可解释的AI方案——XRL框架在降低电费的同时让你看清决策逻辑，做楼宇自动化或智慧能源的开发者可以直接参考。

流体力学和AI交叉领域的研究者值得关注——该工作用可解释AI找到了湍流减阻的节能控制策略，比传统方法效率提升近50%，且执行成本降低一个数量级。

做材料本构建模或计算力学的团队，终于有了一个既能保证热力学约束又不牺牲可解释性的符号回归工具，值得在实验数据上试试。