Google最新的模型可解释性研究，发展出一种称为StylEx的可视化分类器解释方法，StylEx能够自动探索和可视化个别特征对分类器的影响，用户可以通过单独操作属性，在不影响其他特征的情况，探索个别特征的影响。
StylEx适用的领域广泛，包括动物、树叶、脸部，甚至是视网膜图像，根据Google的研究表示，StylEx所找到的属性和语义属性吻合，能够生成有意义的特定图像解释，在研究中被人们解释。
研究人员提到，神经网络可以良好地执行特定任务，但是要了解神经网络做出决定的方法，却通常是个谜，难以知道像是模型使用哪些信号来识别图像分类。但是解释神经模型的决策过程，在部分领域是重要的，像是医疗用的图像分析，或是自动驾驶等，攸关性命的领域，特征分析有助于指引医疗提供者、披露模型偏差，并对下游决策者提供支持，甚至有助于科学发现。
过去对分类器进行视觉解释的方法，有像是Grad-CAM，能够突出显示图像中影响分类器的区域，但是没办法解释这些区域中，决定分类结果的属性有哪些，另一个研究GANalyze，则可以在分类之间平滑切换，借由转换图像来提供解释，但研究人员表示，这些方法往往会同时改变所有属性，难以隔离个别属性的影响。
而StylEx可以自动检测分离的属性，并可视化操作每个属性影响分类器的几率，用户可以查看这些属性，并且对这些内容进行语义上的解释，像是识别猫和狗的分类器（下图），StylEx能够得出多种属性，像是属性4狗比猫容易张嘴，属性5猫的瞳孔更像狭缝，属性1猫的耳朵倾向不折叠等。
StylEx适用领域广泛，包括二元和多样分类的分类器，在所有测试领域中，StylEx侦测到的前几个属性，与人类所解释的语义概念一致。研究人员特别强调，StylEx方法解释的对象是分类器，而非真实的情况，也就是说，该方法披露分类器从资料中学到的图像属性，而这些属性未必代表在现实中的类别标签。
这些StylEx侦测到的属性，可能会披露分类器训练或是资料集中的偏差，研究人员表示，这是StylEx的重要优点，因为可以用来进一步提高神经网络的公平性，像是增加训练资料集的范例，来补偿StylEx所披露的偏差。StylEx的贡献在于提供一种新技术，在分类器上给定图像或类别，可获得有意义的解释，研究人员认为，这个技术有助于缓解分类器和资料集中存在的偏差。