XAI数学基础与Bandit优化：博士论文研究进展

本研究论述由两大部分构成。首先，本文呈献了一系列旨在拓展可解释人工智能（Explainable AI, XAI）数学根基的研究成果。具体来说，本论文深入剖析了归因技术、反事实解释以及基于概念的模型。

归因方法致力于发掘对模型特定决策起关键作用的输入特征，然而，“关键性”的界定常常含糊不清。在第二章，我们引入了一种新的解读视角，将归因得分转化为一种“方向性”指示。此方向性指示告知使用者如何调整其特征以达成特定目标。然而，现有研究揭示，此类方法在输入层面存在鲁棒性不足的问题：特征高度相似的用户可能获得差异显著的解释。

在接下来的第三章与第四章，我们聚焦于反事实解释的研究。我们论证了遵循此类解释进行操作，会引发底层数据分布的偏离。进一步的研究表明，这种偏离可能导致模型精度下降，甚至随着时间的推移使解释本身失效。

在第五章，我们提出了一种新颖的方法与框架，用于构建样本效率高的基于概念的模型。通过有效运用因果表示学习（Causal Representation Learning）中的技术，我们实现了更高的决策数据效率。

最后，在第二部分及最终章节，我们探讨了Bandit 凸优化问题。我们开发了一种能够解决该问题的新型算法；相较于现有算法，该算法在保证易于高效实现的同时，显著优化了遗憾界（Regret bounds）。