基于因果推理的深度学习模型可解释性研究
谢玖辰

山东建筑大学计算机科学与技术学院，山东济南，‌250101；

摘要：深度学习模型虽在诸多领域取得卓越性能，但其“黑箱”特性严重制约了在高风险场景（如医疗、金融）中的可信部署。现有可解释性方法多聚焦于相关性分析，难以揭示变量间的因果机制，易导致错误归因与脆弱解释。本文提出，将因果推理作为提升深度学习可解释性的核心范式，旨在构建不仅能预测、更能理解“为何如此”的智能系统。我们系统梳理了因果推理与可解释性融合的理论基础，重点探讨了结构因果模型（SCM）指导下的反事实解释生成、因果效应量化及不变性特征学习等前沿方法。通过对比分析，论证了因果可解释性在提升模型鲁棒性、公平性及泛化能力方面的独特优势。最后，本文指出现有挑战并展望未来方向，为构建兼具高性能与高可信度的新一代人工智能系统提供理论支撑与实践路径。

关键词：因果推理；深度学习；模型可解释性；结构因果模型

参考文献

[1]邓旭亮,徐明明,杜宸临.人工智能驱动口腔医学:临床,科研,教学与管理的创新探索[J].北京大学学报(医学版),2025,57(5):821-826.

[2]李青川,邱诚,蒋露.知识–数据–机理三元融合驱动的滑坡智能预测研究进展[J].Advances in Environmental Protection, 2025, 15.DOI:10.12677/aep.2025.159138.

[3]樊亚文,王翔,岳震,等.因果推理引导的KAN注意力脑肿瘤分类框架[J].电子与信息学报,2026,48(3):1-11.DOI:10.11999/JEIT250865.