面向视觉-语言模型解释忠实性的解释驱动反事实测试

迈向忠实性的必要一步：测量与提升自由文本解释的一致性

A Necessary Step toward Faithfulness: Measuring and Improving Consistency in Free-Text Explanations

本文扩展证据权重提出 PEX 一致性度量，发现大模型超 62% 的自由文本解释缺乏该一致性，并通过直接偏好优化在三个模型系列上将其提升 43.1%–292.3%，且忠实性最高提升 9.7%。

概率同样重要：一种更忠实度量大型语言模型中自由文本解释忠实性的指标

The Probabilities Also Matter: A More Faithful Metric for Faithfulness of Free-Text Explanations in Large Language Models

本文提出相关解释忠实性指标CEF及相关反事实测试CCT，通过考虑预测标签分布的总偏移而非仅二元变化，更准确地度量大型语言模型自由文本解释的忠实性，并在Llama2模型上验证其能捕捉CT遗漏的忠实性方面。

说到做到？衡量大语言模型解释的忠实度

Walk the Talk? Measuring the Faithfulness of Large Language Model Explanations

针对大语言模型解释可能不忠实的问题，提出基于概念差异的忠实度定义，结合辅助LLM生成反事实与贝叶斯层次模型的估算方法，可量化并发现不忠实模式。

一种基于移除的测试时提升大语言模型（LLM）忠实性的方法

A Removal Based Approach to Improve LLM Faithfulness at Test-Time

该研究针对LLM解释的不完整性提出测试时移除未提及概念的方法，在多数据集、多模型及双指标下提升了解释忠实性，且无需修改模型参数。

对忠实性的积极案例：LLM自我解释有助于预测模型行为

A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior

本文提出NSG度量标准，证明LLM自我解释能提升模型行为预测能力，且比外部生成解释更具预测价值，揭示了自我解释在AI监督中的积极作用。

文本分类器反事实解释方法的比较分析

A Comparative Analysis of Counterfactual Explanation Methods for Text Classifiers

本文比较了五种为BERT文本分类器生成反事实解释的方法，发现白盒替换方法有效但欠自然，LLM方法自然但常无效，建议结合两者优势开发新方法。

解释何时能帮助上下文学习？自然语言解释类型与忠实度的比较研究

When Do Explanations Help In-Context Learning? A Comparative Study of Natural Language Explanation Types and Faithfulness

该研究通过在6个基准和4个指令调优模型上的比较评估，探究不同来源与选择方式的自然语言解释对上下文学习下游性能的影响，为实际提示流程中解释的选择和报告提供了见解。

基于概念的解释的可读性与忠实性评估

Evaluating Readability and Faithfulness of Concept-based Explanations

针对基于概念的大语言模型解释缺乏统一评估框架的问题，提出概念形式化定义，通过扰动量化忠实性、用自动确定性指标衡量可读性，并基于测量理论设计可推广的元评估方法，经实验为指标选择提供依据。

FaithLM：迈向大语言模型的忠实解释

FaithLM: Towards Faithful Explanations for Large Language Models

FaithLM通过干预属性评估并迭代优化大语言模型的解释忠实性，在多个数据集上显著提升解释与人类理据的一致性。

关于衡量自然语言解释的忠实性或自洽性

On Measuring Faithfulness or Self-consistency of Natural Language Explanations

本文指出现有LLM解释忠实性测试实际衡量输出自洽性，提出细粒度度量CC-SHAP并构建比较一致性库，以更接近模型内部的方式推进忠实性衡量。

冗长性权衡与规模对LLM自我解释忠实度的影响

Verbosity Tradeoffs and the Impact of Scale on the Faithfulness of LLM Self-Explanations

本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。

LIBERTy：一种基于因果框架的基准测试框架，用于基于概念的LLM解释的结构反事实评估

LIBERTy: A Causal Framework for Benchmarking Concept-Based Explanations of LLMs with Structural Counterfactuals

LIBERTy提出了一种基于因果框架的基准测试框架，通过结构反事实评估LLM基于概念的解释，改进了可解释性方法的可信度。

这会改变你的答案吗？通过反事实实验评估现实场景中大语言模型（LLM）行为的解释

Would this change your answer? Evaluating Explanations of LLM Behavior In The Wild with Counterfactual Experiments

本研究提出CHIVE流程，通过反事实实验评估大语言模型行为的解释，发现常见可解释性技术无预测提升，且CHIVE生成的训练数据可实现分布外泛化。

一种评估忠实度度量的因果视角

A Causal Lens for Evaluating Faithfulness Metrics

本文提出因果诊断性框架，用于评估自然语言解释的忠实度度量，通过生成忠实-不忠实解释对，发现Filler Tokens在多任务中表现最佳，连续度量更优但易受噪声影响。

FaithLens：检测并解释忠实性幻觉

FaithLens: Detecting and Explaining Faithfulness Hallucination

本文提出FaithLens模型，通过合成训练数据和规则强化学习，有效检测并解释大语言模型中的忠实性幻觉，优于GPT-5.2和o3模型，提升可信度与效率。

大语言模型生成任务中解释的反事实可模拟性

Counterfactual Simulatability of LLM Explanations for Generation Tasks

本文提出了一种评估大语言模型生成任务中解释反事实可模拟性的通用框架，发现其在新闻摘要任务中表现良好，但在医疗建议任务中仍有改进空间。

被引用但未被参考：法律思维链忠实性的反事实审计

Cited but Not Consulted: A Counterfactual Audit of Legal Chain-of-Thought Faithfulness

该研究通过反事实审计发现，大型语言模型提及法律权威的表现与其判决随权威变化的一致性存在巨大差距，专用模型也无法缩小差距，且模型易受对抗性操纵，这对法律AI的应用具有重要意义。

使用大型语言模型生成图的自然语言反事实解释

Natural Language Counterfactual Explanations for Graphs Using Large Language Models

本研究利用开源大型语言模型，将图模型解释器生成的反事实实例转化为自然语言解释，实验证明该方法能有效生成准确且易于理解的解释。

训练用于自解释忠实性的大语言模型

Training Large Language Models for Self-Explanation Faithfulness

提出强化学习方法，将忠实性度量改为训练目标，研究模型能否检测及优化影响决策因素以提高自解释忠实性。实验用随机词和用户偏差插入，微调模型在忠实性度量上显著改进，交叉干预泛化有模型依赖等情况，为减少不忠实推理提供路径。

"Is your explanation stable?": A Robustness Evaluation Framework for Feature Attribution

EDDA: Explanation-driven Data Augmentation to Improve Explanation Faithfulness

UFO: A unified method for controlling Understandability and Faithfulness Objectives in concept-based explanations for CNNs

基于梯度的解释在复杂性与忠实度之间的权衡

On the Complexity-Faithfulness Trade-off of Gradient-Based Explanations

针对ReLU网络梯度解释噪声大且现有平滑方法牺牲忠实度的问题，提出统一光谱框架量化平滑性与忠实度的权衡，揭示代理平滑导致的解释差距，并通过实验验证理论发现。

关于 Vision Transformer 解释的忠实性

On the Faithfulness of Vision Transformer Explanations

针对Vision Transformer事后解释的忠实性评估问题，提出新型评估指标SaCo，通过像素组间显著性分数差异聚合准确度量解释忠实性，并证明梯度与多层聚合能显著增强基于注意力的解释的忠实性。