可解释AI (XAI) 中基于示例的解释是指通过来自训练数据的特定示例来传达机器学习模型的输出背后的推理的方法。通过提供反映模型行为的相关实例，此方法允许用户更好地理解模型如何得出其决策。而不是仅仅呈现最终的预测或决策，基于实例的解释突出了影响结果的实际案例，使模型的推理更加透明，更容易掌握。
例如，考虑设计用于对动物图像进行分类的模型。如果模型预测特定图像是猫，则基于示例的解释将显示来自有助于该分类的训练集的猫的类似图像。这意味着开发人员和用户不仅可以看到预测，还可以看到模型基于先前示例认为它是猫的原因。这可以帮助识别模型是专注于相关特征还是被虚假的相关性误导，例如背景或颜色不能真正代表对象类。
此外，这种类型的解释在调试和改进模型时特别有益。开发人员可以分析提供的示例，以查明模型可能在哪里挣扎。例如，如果模型错误地将狗分类为猫，则所示的示例可能包括可能导致该错误的视觉相似性。通过检查这些实例，开发人员可以通过调整训练数据或特征提取过程来完善模型，最终提高AI系统的准确性和信任度。