本书全面介绍可解释人工智能的基础知识、理论方法和行业应用。全书分为三部分，共11 章。第一部分为第1 章，揭示基于数据驱动的人工智能系统决策机制，提出一种基于人机沟通交互场景的可解释人工智能范式。第二部分为第2～5 章，介绍各种可解释人工智能技术方法，包括贝叶斯方法、基于因果启发的稳定学习和反事实推理、基于与或图模型的人机协作解释、对深度神经网络的解释。第三部分为第6～10 章，分别介绍可解释人工智能在生物医疗、金融、计算机视觉、自然语言处理、推荐系统等领域的应用案例，详细说明可解释性在司法、城市管理、安防和制造等实际应用中发挥的积极作用。第11 章对全书进行总结，并论述可解释人工智能研究面临的挑战和未来发展趋势。此外，本书的附录给出可解释人工智能相关的开源资源、中英文术语对照及索引，方便读者进一步查阅。本书既适合高等院校计算机和信息处理相关专业的高年级本科生和研究生，以及人工智能领域的研究员和学者阅读；也适合关注人工智能应用及其社会影响力的政策制定者、法律工作者、社会科学研究人士等阅读。
杨强加拿大工程院及加拿大皇家科学院两院院士，国际人工智能联合会IJCAI前理事会主席，香港科技大学讲席教授。领衔全球迁移学习和联邦学习研究及应用，最近的著作有《迁移学习》《联邦学习》《联邦学习实战》等。范力欣微众银行人工智能首席科学家，研究领域包括机器学习和深度学习、计算机视觉和模式识别、图像和视频处理等。朱军清华大学计算机系教授、人智所所长、北京智源人工智能研究院和瑞莱智慧首席科学家，主要从事机器学习研究。陈一昕华夏基金董事总经理，首席数据官兼首席技术官。美国华盛顿大学计算机教授、大数据科学中心创始主任。研究领域为金融科技、金融数据挖掘、智能投资研究、机器学习、优化算法等。张拳石上海交通大学副教授，博士生导师。研究方向为机器学习和计算机视觉，尤其是神经网络可解释性。朱松纯北京通用人工智能研究院院长，北京大学人工智能研究院院长，清华大学通用人工智能研究院院长。他长期致力于构建计算机视觉、认知科学、乃至人工智能科学的统一数理框架。陶大程澳大利亚科学院院士，京东探索研究院首任院长，兼任悉尼大学数字科学研究所顾问及首席科学家。主要关注可信人工智能研究，尤其是深度学习的基础理论、大规模模型分布式训练以及相关的机器视觉应用。崔鹏清华大学计算机系长聘副教授，博士生导师。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。周少华中国科学技术大学讲席教授、生物医学工程学院执行院长、影像智能与机器人研究中心（筹）主任、中科院计算所客座研究员、香港中文大学（深圳）客座教授。长期致力于医学影像的研究创新及其应用落地。刘琦同济大学生命科学与技术学院生物信息系长聘教授，博士生导师。发展人工智能和生物组学交叉融合的研究范式，进行精准医学研究。黄萱菁复旦大学计算机科学技术学院教授，博士生导师。研究领域为人工智能、自然语言处理、信息检索和社会媒体分析。张永锋罗格斯大学计算机系助理教授，博士生导师，互联网智能与经济实验室主任。研究兴趣为机器学习、数据挖掘、信息检索和推荐系统等。
目录
推荐序
前言
作者介绍
第1章可解释人工智能概述
1.1为什么人工智能需要可解释性
1.2可解释人工智能
1.2.1目的、定义及范式
1.2.2层次、分类及应用场景
1.2.3解释的范畴
1.2.4解释的评价与度量
1.3可解释AI的历史及发展现状
1.3.1可解释AI历史回顾
1.3.2可解释AI发展现状
1.4本书结构及阅读建议
第2章贝叶斯方法
2.1贝叶斯网络
2.1.1贝叶斯网络的表示
2.1.2贝叶斯网络的推断
2.1.3贝叶斯网络的学习
2.1.4贝叶斯规划学习
2.2贝叶斯深度学习
2.2.1深度生成模型
2.2.2贝叶斯神经网络
2.3从贝叶斯网络到可解释的因果模型
2.4延伸阅读
2.5小结
第3章基于因果启发的稳定学习和反事实推理
3.1将因果引入机器学习的增益
3.1.1制约人工智能技术的可解释性和稳定性问题
3.1.2关联性和因果性
3.2挖掘数据中的因果关联
3.2.1因果推理框架和因果效应定义
3.2.2潜在结果框架下的因果效应评估
3.3稳定学习
3.3.1二值特征下的稳定学习
3.3.2连续特征下的稳定学习
3.3.3从统计学习角度的解释
3.3.4区分性变量去关联的稳定学习
3.3.5与深度神经网络相结合的稳定学习
3.4反事实推理
3.4.1二值类型干预的反事实推理
3.4.2多维类型干预下的反事实推理
3.4.3存在未观测混淆变量的反事实推理
3.5小结
第4章基于与或图模型的人机协作解释
4.1与或图模型
4.2基于与或图的多路径认知过程
4.3人机协作对齐人类认知结构和与或图模型
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
4.3.2评价模型的可解读性：“气泡游戏”实验
4.3.3模型通过主动建模用户认知提升可解读性
4.4小结
第5章对深度神经网络的解释
5.1神经网络特征可视化
5.1.1最大激活响应可视化
5.1.2网络解剖与特征语义分析
5.1.3基于反向传播的输入重建可视化
5.1.4CAM/Grad-CAM
5.2输入单元重要性归因
5.2.1SHAP算法
5.2.2导向反向传播算法
5.2.3逐层相关性传播算法
5.2.4积分梯度算法
5.2.5LIME
5.3博弈交互解释性理论
5.3.1理论基础：沙普利值
5.3.2博弈交互的定义
5.3.3博弈交互的性质
5.3.4博弈交互与语义表达
5.3.5解释随机失活操作
5.3.6解释批规范化操作
5.3.7解释对抗迁移性和对抗鲁棒性
5.4对神经网络特征质量解构、解释和可视化
5.4.1解释表征一致性
5.4.2解释复杂度
5.5对表达结构的解释
5.5.1代理模型解释
5.5.2对自然语言网络中语言结构的提取和解释
5.6可解释的神经网络
5.6.1胶囊网络
5.6.2β-变分自编码器
5.6.3可解释的卷积神经网络
5.6.4可解释的组成卷积神经网络
5.7小结
第6章生物医疗应用中的可解释人工智能
6.1基因编辑系统优化设计中的可解释人工智能
6.1.1基因编辑系统背景介绍
6.1.2基因编辑系统优化设计可解释AI模型构建
6.2医学影像中的可解释性
6.2.1概述
6.2.2可解释性胸片诊断
6.2.3具有自适应性的通用模型学习
6.3小结
第7章金融应用中的可解释人工智能
7.1简介
7.1.1金融行业背景介绍
7.1.2金融市场介绍
7.1.3可解释AI面向各金融行业对象的必要性
7.1.4金融监管对于可解释性的要求
7.2金融可解释AI的案例
7.2.1事后可解释模型解释人工智能量化模型
7.2.2高风险客户信用违约预测
7.2.3对金融人工智能模型可解释性的监管
7.3金融可解释AI的发展方向
7.3.1安全性
7.3.2平衡性
7.3.3完整性
7.3.4交互性
7.3.5时效性
7.3.6深化推广应用
7.4延伸阅读
7.5小结
第8章计算机视觉应用中的可解释人工智能
8.1背景
8.1.1机器视觉与可解释性
8.1.2可解释性与机器视觉发展
8.2视觉关系抽取
8.2.1基本概念
8.2.2视觉关系检测中可解释性的重要性
8.2.3可解释视觉关系抽取
8.3视觉推理
8.3.1基本概念
8.3.2可解释视觉推理示例
8.4视觉鲁棒性
8.4.1动态与静态可解释性分析
8.4.2数字世界与物理世界模型安全可解释性
8.5视觉问答
8.5.1基本概念
8.5.2视觉问答中可解释性的重要性
8.5.3可解释性视觉问答示例
8.6知识发现
8.6.1基本概念
8.6.2视觉可解释性与知识发现的关系
8.6.3可解释性知识发现案例
8.7小结
第9章自然语言处理中的可解释人工智能
9.1简介.243
9.2可解释自然语言处理中的模型结构分析
9.2.1为什么模型结构分析很重要
9.2.2设置探针任务窥探模型结构的功能
9.2.3错误类型分析
9.2.4可解释评估
9.3可解释自然语言处理中的模型行为分析
9.3.1为什么模型行为分析很重要
9.3.2预测行为分析
9.4自然语言处理任务中的可解释性
9.4.1对话系统
9.4.2智能问答系统
9.4.3情感分析系统
9.4.4自动文摘系统
9.5延伸阅读
9.5.1鲁棒性分析
9.5.2泛化性分析
9.6小结
第10章推荐系统中的可解释人工智能
10.1简介
10.2初探可解释推荐
10.3可解释推荐的历史与背景
10.4推荐系统基础
10.4.1推荐系统的输入
10.4.2推荐系统的输出
10.4.3推荐系统的三大核心问题
10.5基本的推荐模型
10.5.1协同过滤
10.5.2协同推理
10.6可解释的推荐模型
10.7可解释推荐的应用
10.7.1电子商务
10.7.2社交网站
10.7.3基于位置的服务
10.7.4多媒体系统
10.7.5其他应用
10.8延伸阅读：其他可解释推荐模型
10.8.1基于图和知识图谱的可解释推荐模型
10.8.2深度学习推荐系统的可解释性
10.8.3基于自然语言生成的解释
10.8.4基于因果和反事实推理的解释
10.9小结
第11章结论
附录A传统机器学习中的可解释模型
A.1线性回归
A.2逻辑回归
A.3决策树
附录B可解释人工智能相关研究资源
B.1图书
B.2综述论文
B.3Workshop及论文集
B.4Tutorial
B.5代码
参考文献
索引
书单推荐
