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。

推荐序
前言
作者介绍
第一部分 本书简介
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
第二部分 理论方法
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
……
第三部分 行业应用
附录A 传统机器学习中的可解释模型
附录B 可解释人工智能相关研究资源
参考文献
索引