深度神经网络在从语言建模、计算机视觉到语音识别等广泛的应用领域取得了巨大的成功。然而,目前,仅凭良好的性能还不足以满足实际部署的需要,在涉及伦理和关键应用的情况下,需要可解释性。目前对于可解释性的研究无法满足需求,深度神经网络的复杂模型使其难以理解和推理预测,这阻碍了其进一步的发展。因此,提高模型的可解释性不仅具有学术意义,更具有现实价值。本文的研究思路是通过集成学习增强可解释系统。依据研究思路,本文首先对可解释性的概念以及重要性进行了阐述,并且对当前可解释性的研究方法进行了分析和总结,接下来对软决策树的决策过程进行进一步解释,并且对当前的集成学习算法进行改进,使得它适合深度学习的模型和数据集的集成,并且对用改进后的集成算法对基于知识蒸馏的软决策树进行改进,获得了基于可解释的树型模型的可解释系统。具体而言,本文工作如下:1.可解释性相关研究的调查与技术总结近年来,关于可解释性的研究逐渐成为新的热点。本文介绍了可解释性的具体概念,人们需要可解释性的原因和具体场景。同时根据现有的研究技术,对可解释性进行了划分:基于获得解释性的时间可以划分为本质可解释性和事后可解释性,基于解释的范围可以划分为全局可解释和局部可解释。并且针对每种可解释的类别简单介绍了有代表性的方法。2.软决策树的决策过程分析通过知识蒸馏生成软决策树是将知识从复杂模型迁移到可解释模型中,使用可解释的软决策树模型模拟复杂模型的行为,从而通过理解软决策树的行为来解释复杂模型。然而当前对于软决策树的解释性研究仍然存在不足。本文提出了对于软决策树多阶段决策的解释,总结了软决策树的特征,分析了内部节点的决策逻辑以及子树的特征,从而回答了决策过程针对什么部分,以及什么样的输入更有左子树和右子树的特征的问题。3.基于权重调整标准的多类噪声数据集校正AdaBoost目前的集成学习算法通常用于将弱分类器组合起来生成强分类器。其中AdaBoost是集成学习的代表性算法之一,对于性能很好的分类器也能有效集成。然而,AdaBoost算法对于数据中的噪点很敏感,然而噪点在数据集中出现的非常普遍,因此实际问题中的性能不够理想。因此,本文提出了一种抗噪点的集成模型的算法改进思路,其核心思想在于:通过基于当前分类器的精度设置分配给样本的权重的上限,来抑制噪点样本对于整个训练过程的影响,最终改善集成学习在多噪点数据集中的性能。实验证明该算法在数据集规模较大或模型较复杂的情况下预测精度有非常明显的提升,适合对于深度学习的模型和数据集的集成。4.基于知识蒸馏生成高保真度的软决策树集成系统尽管可解释模型已经被用于模拟复杂模型的行为,但是由于生成的可解释模型在预测精度和保真度上都不足够高,很难令人信服可解释模型的解释规则能够模拟复杂模型。本文将上一部分的集成学习算法与可解释模型软决策树结合起来,使用知识蒸馏的方法生成软决策树,将表现不够好的软决策树作为弱分类器集成为性能优良的强分类器。其目的获得精度和保真度更高的软决策树系统,使得它能够更好地模拟复杂模型的行为。