可解释 AI 大爆发！医疗与社交领域 SOTA 全被 “屠榜”！

最近，深度学习可解释性领域又有新突破！从药物研发到疾病诊断，再到社交媒体情感分析，可解释的深度学习模型正逐渐改变着我们的生活。

在人工智能领域，深度学习可解释性一直是备受关注的研究热点。诸多研究致力于构建融合可解释 AI 技术与深度学习模型的全新框架，打破传统黑箱模型的壁垒，将其转化为透明可理解的白箱模型，极大提升模型的透明度，助力人们精准洞察模型决策逻辑。

在信息处理与分析维度，创新模型架构不断涌现，将先进的注意力机制与图卷积网络等深度融合，有效捕捉复杂关系，攻克以往模型的难题。同时，通过改进动态权重层、引入交互式注意力技术等，精心筛选关键信息，减少干扰，增强模型对复杂语义关系的处理能力，还结合预训练模型进一步提升整体性能。

这一领域在顶会顶刊上热度居高不下，也催生了大量优秀研究成果，为科研人员提供了丰富的参考资源。若你想投身这一领域发表论文，却苦于不知从何找起，别担心！今天为大家精心整理了12篇深度学习可解释性的最新论文，还贴心附上开源代码，助力你的科研之路。

对资料感兴趣的可以 [丝 xin] 我~~

【论文1】DFU_XAI: A Deep Learning-Based Approach to Diabetic Foot Ulcer Detection Using Feature Explainability

 

1.研究方法

 

该论文提出 DFU_XAI 框架用于糖尿病足溃疡检测。先对收集的图像数据进行标注和增强，再用预训练的 ResNet50 等五种 CNN 模型进行训练，对比选出最佳模型 。最后，运用 LIME、SHAP 和 Grad-CAM 三种可解释性 AI 技术，对模型决策过程进行可视化解释，辅助医生诊断。

2.论文创新点

 

1. 构建可解释框架：DFU_XAI框架将可解释AI技术（XAI）与深度学习模型相结合，把黑箱模型转化为白箱模型，提高了糖尿病足溃疡检测模型的透明度和可解释性，有助于医生理解模型决策逻辑。

2. 优化模型性能：采用迁移学习和微调技术，利用ImageNet数据库的预训练权重，减少训练时间和计算成本，在有限数据上也能取得优异效果。其中ResNet50模型表现最佳，准确率达98.75% ，各项性能指标良好。

3. 多技术辅助诊断：运用LIME、SHAP和Grad-CAM三种XAI技术，从不同角度解释模型预测结果。LIME进行区域分割，SHAP为像素评分，Grad-CAM生成热图，辅助医生精准定位溃疡位置，提高诊断准确性。

【论文2】Deep Learning Model for Interpretability and Explainability of Aspect-Level Sentiment Analysis Based on Social Media

 

1.研究方法

 

本文讨论了深度学习在方面级情感分析中的可解释性和可解释性问题，提出交互式注意力图卷积网络（IAGCN）模型进行方面级情感分析。先利用嵌入层和 BiLSTM 获取上下文语义信息，再通过 GCN 对句法依赖树建模，结合修正动态权重层与方面特定掩码层，最后借助交互式注意力模块确定上下文与方面词的关系，经 SoftMax 函数输出情感极性分类结果。

2.论文创新点

 

1. 创新模型架构：将交互式注意力机制与GCN相结合，IAGCN模型有效捕捉上下文与方面词的复杂关系，克服以往模型在理解方面词含义及其与上下文关系上的不足，提升方面级情感分析准确性。

2. 改进动态权重层：重新设计动态权重层，通过计算语义相关度（SRD）调整单词权重，减少不相关言论对情感识别的干扰，提取更具意义的上下文特征表示，提高模型性能。

3. 交互式注意力技术：提出交互式注意力技术，自适应地在上下文和方面词间分配注意力，准确捕捉两者交互作用，全面理解上下文信息，增强模型对复杂语义关系的处理能力。

4. 结合预训练模型：集成预训练语言模型BERT，进一步提升模型性能，在多个数据集上实验结果出色，相比基于GloVe的策略，F1分数和准确率显著提高。

对资料感兴趣的可以 [丝 xin] 我~~