LIME
一种模型无关的局部可解释性方法，通过在待解释样本邻域内对输入进行微小扰动并观察输出变化，用简单线性模型近似局部行为，生成带权重的特征列表以解释黑箱模型的预测结果
核心事实
时间轴 (近 90 天)
提供可解释性信息（如 LIME 或 SHAP 生成的特征归因）能够有效对抗自动化偏见
LIME、SHAP、Grad-CAM等基于像素级归因的方法解释单元是像素或区域，而非人类熟悉的语义概念
SHAP和LIME都是事后（post-hoc）解释框架，不改变模型本身，而是在预测完成后再生成解释
LIME、SHAP等主流方法在设计时将最大化局部保真度作为优化目标
评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
该框架引入LIME（Local Interpretable Model-agnostic Explanations）来解释模型预测，通过高亮对判断结果影响最大的文本特征
LIME的工作原理是在待解释样本的局部邻域内通过对输入进行微小扰动，观察模型输出变化，再用简单线性模型近似局部行为，属于model-agnostic方法，可为任意黑箱模型提供解释
LIME给出的是局部解释而非全局解释，只保证当前样本附近的解释可靠，不能完整描述模型在整个特征空间上的决策逻辑
学界发展了SHAP值、LIME等解释方法，但这些工具目前难以提供支撑高风险决策的完整解释路径
主流可解释性AI技术包括SHAP（基于博弈论的Shapley值分配）、LIME（局部可解释模型近似）、注意力机制可视化等事后解释方法，以及决策树、逻辑回归、规则列表等天然可解释模型
还有 5 条时间轴事件
全部知识事实 (19)
主流XAI方法包括LIME（局部可解释模型无关解释）、SHAP（基于博弈论的特征贡献值计算）、注意力可视化等
65%已验证LIME和SHAP是可解释AI（XAI）领域中尝试事后解释模型行为的方法
65%已验证LIME（局部可解释模型无关解释）和SHAP（Shapley加性解释值）是为复杂黑箱模型提供事后解释的主要工具
65%待验证LIME通过在输入样本周围生成扰动数据集训练局部线性近似模型来解释单次预测，SHAP基于博弈论Shapley值提供特征归因，两者均为模型无关技术
60%待验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为
60%待验证提供可解释性信息（如 LIME 或 SHAP 生成的特征归因）能够有效对抗自动化偏见
50%待验证LIME、SHAP、Grad-CAM等基于像素级归因的方法解释单元是像素或区域，而非人类熟悉的语义概念
50%待验证SHAP和LIME都是事后（post-hoc）解释框架，不改变模型本身，而是在预测完成后再生成解释
50%待验证评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
50%待验证LIME、SHAP等主流方法在设计时将最大化局部保真度作为优化目标
50%待验证该框架引入LIME（Local Interpretable Model-agnostic Explanations）来解释模型预测，通过高亮对判断结果影响最大的文本特征
50%待验证LIME的工作原理是在待解释样本的局部邻域内通过对输入进行微小扰动，观察模型输出变化，再用简单线性模型近似局部行为，属于model-agnostic方法，可为任意黑箱模型提供解释
50%待验证LIME给出的是局部解释而非全局解释，只保证当前样本附近的解释可靠，不能完整描述模型在整个特征空间上的决策逻辑
50%待验证学界发展了SHAP值、LIME等解释方法，但这些工具目前难以提供支撑高风险决策的完整解释路径
50%待验证主流可解释性AI技术包括SHAP（基于博弈论的Shapley值分配）、LIME（局部可解释模型近似）、注意力机制可视化等事后解释方法，以及决策树、逻辑回归、规则列表等天然可解释模型
50%待验证SHAP和LIME是应对算法可解释性挑战的事后解释技术
50%待验证可解释AI（XAI）技术如SHAP值和LIME方法试图让算法决策逻辑对人类可理解，但在复杂深度学习模型上应用仍面临挑战
50%待验证SHAP值和LIME是常用的局部可解释性方法，能够量化每个特征对单次决策的贡献度
50%待验证LIME由2016年Ribeiro等人提出，其重大缺陷是解释的不稳定性，对同一样本多次运行可能得到不同解释
50%