现在AI随处可见，关于可解释性的研究已经不能说是“锦上添花”了，而是硬性要求，尤其在一些高风险区域。
但就目前来看，深度学习可解释性（XAI）的问题远未解决，现有方法各有局限。不过这对论文er来说是好机会，单是对这些方法进行改进、评估，或者提出新范式，都有发表空间。
比如最近有一篇成果，讲深度学习可解释性在分子发现中的应用，填补了这块的空白，发表在nature protocols（TOP刊）上。ps：XAI在顶会/顶刊有专门赛道。
本文整理了12篇深度学习可解释性前沿论文，主要是为了方便大家参考，附代码，建议大家从复现开始，往解决根本痛点或满足新需求这些角度尝试，更易上手。
扫码添加小享，回复“深度可解释”
免费获取全部论文+代码合集
Automated identification of autism spectrum disorder from facial images using explainable deep learning models
方法：论文提出一种基于面部图像自动检测自闭症谱系障碍的深度学习方法，结合 VGG19 等预训练模型与数据增强技术，并通过 LIME 可解释性工具明确影响诊断的面部关键区域，最终实现 98.2% 的高准确率。
创新点：
- 采用VGG19等预训练模型，结合数据增强技术，提升ASD检测的准确性与泛化能力。
- 融入LIME可解释性工具，明确眼睛、嘴巴等影响诊断的面部关键区域，破解模型“黑箱”问题。
- 构建自动化检测框架，通过面部图像实现非侵入式ASD筛查，准确率达98.2%。
An explainable deep learning platform for molecular discovery
方法：论文提出基于 Chemprop 软件的可解释深度学习平台，以图神经网络为核心模型预测分子性质，通过蒙特卡洛树搜索（MCTS）挖掘关键化学亚结构，破解 “黑箱” 问题，助力抗生素等化合物高效发现。
（部分图）
创新点；
- 以图神经网络为核心模型，借助Chemprop软件实现分子性质精准预测，适配抗生素等多类小分子化合物发现场景。
- 集成蒙特卡洛树搜索算法，挖掘影响预测结果的关键化学亚结构，破解深度学习“黑箱”问题。
- 设计从数据生成、模型训练到结果解释与实验验证的完整流程，无需专业编码能力和特殊硬件，1-2周即可完成执行。
扫码添加小享，回复“深度可解释”
免费获取全部论文+代码合集
DeepXplainer: An interpretable deep learning based approach for lung cancer detection using explainable artificial intelligence
方法：论文提出 “DeepXplainer” 方法，通过 CNN 与 XGBoost 混合模型检测肺癌，借助 SHAP 技术从局部和全局层面解释预测依据，明确关键影响特征，准确率达 97.43%。
创新点：
- 构建CNN与XGBoost结合的混合模型（ConvXGB），通过CNN学习特征、XGBoost分类，提升肺癌检测的准确性。
- 集成SHAP可解释性技术，从局部和全局层面量化特征对预测的影响，破解深度学习“黑箱”问题。
- 基于“Survey Lung Cancer”数据集完成模型训练与验证，形成从数据预处理、检测到结果解释的完整流程，准确率达97.43%。
Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent
方法：论文提出可解释深度强化学习（XDRL）方法，结合 PPO 算法与 SHAP、LIME 及特征重要性技术，实现投资组合管理中 DRL 智能体交易决策的事后解释，明确关键影响特征以提升透明度。
创新点：
- 提出融合PPO算法与特征重要性、SHAP、LIME的可解释深度强化学习框架，用于投资组合管理。
- 实现交易时段对DRL智能体决策的事后解释，可实时追踪政策执行情况，填补现有研究仅能在训练阶段解释的空白。
- 通过多类可解释技术独立或联合应用，明确影响投资决策的关键特征，提升金融投资策略的透明度与可信度。
扫码添加小享，回复“深度可解释”
免费获取全部论文+代码合集
