可解释AI
6 条- 01面向证据感知的个体动物识别之反事实检索
提出CFR协议，通过反事实扰动检验模型是否依赖动物本征特征而非相关捷径，提升生物识别可解释性。
- 02显著性图在致密乳腺中是否失效？一项机会标准化、混杂因素感知的乳腺X光解释公平性审计
首次在致密乳腺子群上量化评估Grad-CAM等解释方法的定位偏差，揭示医疗AI可解释性公平性缺口
- 03看见原因：量子与光学图像分类器的精确证据映射
为线性振幅编码的量子/光学分类器提供可硬件测量的Born证据图（BEM），实现无近似归因。
- 04将人-AI交互作为一等数据：可解释AI协作的形式化交互模型与运行时
提出Human-AI Interaction Description Language（HAIL），将交互过程建模为持久化、可复现、可分析的数据实体。
- 05联邦训练是否会损害可解释性？集中式与联邦式深度伪造检测中Grad-CAM可信度的对比分析
研究联邦学习是否削弱梯度类可解释性方法（Grad-CAM）在深度伪造检测中的可信度，揭示隐私保护与 forensic 可解释性的权衡。
- 06DocXEval：多模态文档理解中可解释性的系统性评估
发布首个面向多模态文档理解的可解释性评估框架，填补XAI在该高风险领域的评测空白。