前言

以深度学习为代表的人工智能取得突破性进展，然而海量的参数与复杂的处理机制，使得人类很难追溯与理解推理过程，导致这类端到端的黑箱学习方法不可解释，造成“知其然，不知其所以然”.由此引发人们对算法可信性、公平性产生质疑，甚至造成伦理、法律等问题，影响了黑箱人工智能方法在无人驾驶、精准医疗、智能交通等高风险决策工程中的大规模应用.可解释性问题是打开黑箱人工智能方法、构建新一代人工智能理论的关键问题之一.可解释智能学习方法既要给出结果，同时也能提供计算推理过程所形成的证据链.

本期专题得到同行的广泛关注，通过公开征文收到36篇高质量投稿稿件和1篇特邀稿件，这些论文涉及可解释的机器/深度学习模型、决策过程及预测结果的解释、符号规则与深度学习的融合等多个主题研究，阐述了可解释智能学习方法及其应用的重要研究成果，展示了其与多领域深度融合的发展前景.本专题的审稿严格按照期刊审稿的要求进行，特邀编委先后邀请了20余位相关领域的专家参与评审，历经初审、复审、终审等阶段，最终遴选出8篇高质量的论文入选本专题.内容涵盖了可解释智能方法在无人驾驶、智能拆解、在线学习、智慧医疗、就业推荐、智能问答等方面的应用，在一定程度上反映了当前国内学者在可解释智能学习方法的代表性应用.

小样本学习旨在从极少的几个样本中……