目录__eol__推荐序__eol__前言__eol__作者介绍__eol__第1章可解释人工智能概述__eol__1.1为什么人工智能需要可解释性__eol__1.2可解释人工智能__eol__1.2.1目的、定义及范式__eol__1.2.2层次、分类及应用场景__eol__1.2.3解释的范畴__eol__1.2.4解释的评价与度量__eol__1.3可解释AI的历史及发展现状__eol__1.3.1可解释AI历史回顾__eol__1.3.2可解释AI发展现状__eol__1.4本书结构及阅读建议__eol____eol__第2章贝叶斯方法__eol__2.1贝叶斯网络__eol__2.1.1贝叶斯网络的表示__eol__2.1.2贝叶斯网络的推断__eol__2.1.3贝叶斯网络的学习__eol__2.1.4贝叶斯规划学习__eol__2.2贝叶斯深度学习__eol__2.2.1深度生成模型__eol__2.2.2贝叶斯神经网络__eol__2.3从贝叶斯网络到可解释的因果模型__eol__2.4延伸阅读__eol__2.5小结__eol____eol__第3章基于因果启发的稳定学习和反事实推理__eol__3.1将因果引入机器学习的增益__eol__3.1.1制约人工智能技术的可解释性和稳定性问题__eol__3.1.2关联性和因果性__eol__3.2挖掘数据中的因果关联__eol__3.2.1因果推理框架和因果效应定义__eol__3.2.2潜在结果框架下的因果效应评估__eol__3.3稳定学习__eol__3.3.1二值特征下的稳定学习__eol__3.3.2连续特征下的稳定学习__eol__3.3.3从统计学习角度的解释__eol__3.3.4区分性变量去关联的稳定学习__eol__3.3.5与深度神经网络相结合的稳定学习__eol__3.4反事实推理__eol__3.4.1二值类型干预的反事实推理__eol__3.4.2多维类型干预下的反事实推理__eol__3.4.3存在未观测混淆变量的反事实推理__eol__3.5小结__eol____eol__第4章基于与或图模型的人机协作解释__eol__4.1与或图模型__eol__4.2基于与或图的多路径认知过程__eol__4.3人机协作对齐人类认知结构和与或图模型__eol__4.3.1通过交互式问答构建与人类认知系统对齐的与或图模型__eol__4.3.2评价模型的可解读性：“气泡游戏”实验__eol__4.3.3模型通过主动建模用户认知提升可解读性__eol__4.4小结__eol____eol__第5章对深度神经网络的解释__eol__5.1神经网络特征可视化__eol__5.1.1最大激活响应可视化__eol__5.1.2网络解剖与特征语义分析__eol__5.1.3基于反向传播的输入重建可视化__eol__5.1.4CAM/Grad-CAM__eol__5.2输入单元重要性归因__eol__5.2.1SHAP算法__eol__5.2.2导向反向传播算法__eol__5.2.3逐层相关性传播算法__eol__5.2.4积分梯度算法__eol__5.2.5LIME__eol__5.3博弈交互解释性理论__eol__5.3.1理论基础：沙普利值__eol__5.3.2博弈交互的定义__eol__5.3.3博弈交互的性质__eol__5.3.4博弈交互与语义表达__eol__5.3.5解释随机失活操作__eol__5.3.6解释批规范化操作__eol__5.3.7解释对抗迁移性和对抗鲁棒性__eol__5.4对神经网络特征质量解构、解释和可视化__eol__5.4.1解释表征一致性__eol__5.4.2解释复杂度__eol__5.5对表达结构的解释__eol__5.5.1代理模型解释__eol__5.5.2对自然语言网络中语言结构的提取和解释__eol__5.6可解释的神经网络__eol__5.6.1胶囊网络__eol__5.6.2β-变分自编码器__eol__5.6.3可解释的卷积神经网络__eol__5.6.4可解释的组成卷积神经网络__eol__5.7小结__eol____eol__第6章生物医疗应用中的可解释人工智能__eol__6.1基因编辑系统优化设计中的可解释人工智能__eol__6.1.1基因编辑系统背景介绍__eol__6.1.2基因编辑系统优化设计可解释AI模型构建__eol__6.2医学影像中的可解释性__eol__6.2.1概述__eol__6.2.2可解释性胸片诊断__eol__6.2.3具有自适应性的通用模型学习__eol__6.3小结__eol____eol__第7章金融应用中的可解释人工智能__eol__7.1简介__eol__7.1.1金融行业背景介绍__eol__7.1.2金融市场介绍__eol__7.1.3可解释AI面向各金融行业对象的必要性__eol__7.1.4金融监管对于可解释性的要求__eol__7.2金融可解释AI的案例__eol__7.2.1事后可解释模型解释人工智能量化模型__eol__7.2.2高风险客户信用违约预测__eol__7.2.3对金融人工智能模型可解释性的监管__eol__7.3金融可解释AI的发展方向__eol__7.3.1安全性__eol__7.3.2平衡性__eol__7.3.3完整性__eol__7.3.4交互性__eol__7.3.5时效性__eol__7.3.6深化推广应用__eol__7.4延伸阅读__eol__7.5小结__eol____eol__第8章计算机视觉应用中的可解释人工智能__eol__8.1背景__eol__8.1.1机器视觉与可解释性__eol__8.1.2可解释性与机器视觉发展__eol__8.2视觉关系抽取__eol__8.2.1基本概念__eol__8.2.2视觉关系检测中可解释性的重要性__eol__8.2.3可解释视觉关系抽取__eol__8.3视觉推理__eol__8.3.1基本概念__eol__8.3.2可解释视觉推理示例__eol__8.4视觉鲁棒性__eol__8.4.1动态与静态可解释性分析__eol__8.4.2数字世界与物理世界模型安全可解释性__eol__8.5视觉问答__eol__8.5.1基本概念__eol__8.5.2视觉问答中可解释性的重要性__eol__8.5.3可解释性视觉问答示例__eol__8.6知识发现__eol__8.6.1基本概念__eol__8.6.2视觉可解释性与知识发现的关系__eol__8.6.3可解释性知识发现案例__eol__8.7小结__eol____eol__第9章自然语言处理中的可解释人工智能__eol__9.1简介.243__eol__9.2可解释自然语言处理中的模型结构分析__eol__9.2.1为什么模型结构分析很重要__eol__9.2.2设置探针任务窥探模型结构的功能__eol__9.2.3错误类型分析__eol__9.2.4可解释评估__eol__9.3可解释自然语言处理中的模型行为分析__eol__9.3.1为什么模型行为分析很重要__eol__9.3.2预测行为分析__eol__9.4自然语言处理任务中的可解释性__eol__9.4.1对话系统__eol__9.4.2智能问答系统__eol__9.4.3情感分析系统__eol__9.4.4自动文摘系统__eol__9.5延伸阅读__eol__9.5.1鲁棒性分析__eol__9.5.2泛化性分析__eol__9.6小结__eol____eol__第10章推荐系统中的可解释人工智能__eol__10.1简介__eol__10.2初探可解释推荐__eol__10.3可解释推荐的历史与背景__eol__10.4推荐系统基础__eol__10.4.1推荐系统的输入__eol__10.4.2推荐系统的输出__eol__10.4.3推荐系统的三大核心问题__eol__10.5基本的推荐模型__eol__10.5.1协同过滤__eol__10.5.2协同推理__eol__10.6可解释的推荐模型__eol__10.7可解释推荐的应用__eol__10.7.1电子商务__eol__10.7.2社交网站__eol__10.7.3基于位置的服务__eol__10.7.4多媒体系统__eol__10.7.5其他应用__eol__10.8延伸阅读：其他可解释推荐模型__eol__10.8.1基于图和知识图谱的可解释推荐模型__eol__10.8.2深度学习推荐系统的可解释性__eol__10.8.3基于自然语言生成的解释__eol__10.8.4基于因果和反事实推理的解释__eol__10.9小结__eol____eol__第11章结论__eol____eol__附录A传统机器学习中的可解释模型__eol__A.1线性回归__eol__A.2逻辑回归__eol__A.3决策树__eol____eol__附录B可解释人工智能相关研究资源__eol__B.1图书__eol__B.2综述论文__eol__B.3Workshop及论文集__eol__B.4Tutorial__eol__B.5代码__eol____eol__参考文献__eol__索引__eol__