标签
本文提出了 SimXAI，一个以大语言模型（LLM）为核心的轻量级对话层，它用单个支持工具调用的 LLM 替代了 ConvXAI 智能体所使用的多模块 GUS 流水线，并配套提供了一套评估工具；一项仅替换 TalkToModel 对话层的用户研究表明，用户能够以更少的对话轮次、更高的准确率完成任务。
PhotoGuider 提出一种先测量后取景（measure-then-frame）的方法，利用共享的构图感知 token 进行 360° 全景图的观看方向选择与取景，并通过微调 MLLM 生成以测量结果为条件的构图解释。在两项 2D 裁剪基准上取得最高 mIoU，并在 120 人盲测中以 53.2% 的偏好率排名第一。
DocXEval 提出了首个面向多模态文档理解的综合可解释性框架，评估了 13 种 XAI 方法，涵盖 3 项任务、8 个数据集、4 个模型和 17 项指标，发现遮挡法（Occlusion）总体上是忠实度最高且最易于解释的方法。
该论文提出一个基于本体引导的多智能体差分诊断框架，将诊断推理锚定在结构化的医学知识库上，通过显式、可审计的推理步骤减少幻觉并提升可解释性，同时自动生成追问以降低不确定性。
本文提出了一种由人工智能增强的救护车行程时间估算决策支持系统，该系统使用斯科讷地区的历史数据，表明行程时间随小时、日期和出车优先级而变化，并利用 SHAP 和置换重要性提高可解释性。
全面综述 NDE 4.0 领域，从计算算法、物理技术、工业应用和研究目标等方面分析无损检测，重点阐述自动缺陷识别向深度学习和生成模型的转变，并指出开放数据集、可解释人工智能和标准化数字孪生协议等方面的关键缺口。
本文提出一种融合 Temporal Fusion Transformer 与 N-BEATS 的注意力混合框架，用于统一多时间尺度的光伏功率预测，在 DKASC 真实数据集上相比最佳基线 TFT 实现 35–40% 的 RMSE 降低。
提出了光谱-空间解释（SSI），一种基于位置-通道参与者进行全网格归因的方法，利用局部Shapley值生成光谱-空间归因矩阵，在HLS Burn Scar、CUB-200和EuroSAT数据集上优于现有基线方法。
这篇论文将音乐愉悦度预测构建为回归问题，利用MUSIN-G数据集的128通道EEG数据，比较了六种深度学习模型（DeepConvNet、CNN-LSTM、GNN-CNN、TCN等），并通过可解释性分析识别影响预测的关键时间片段。
该论文提出一个基于回答集编程(ASP)的混合声明式框架，用于对交互式运动轨迹进行可解释的前瞻性推理，并在Argoverse 2基准上进行评估，每个预测轨迹都附带可检查的事件级假设。
CRISP 是一个神经符号框架，它将二值神经教师模型的末层激活向量重建为 Tsetlin Machine 子句，从而实现对隐藏激活的子句级符号化追踪。该框架在 MNIST、KMNIST、FashionMNIST、SVHN 和 CIFAR10 上进行了评估，在 SVHN 上报告了最高达 87.52% 的重建保真度。
一篇新论文提出了 Dual-Stream OSSE-LSTM，这是一个结合了 Omni-Scale CNN 与 Bidirectional LSTM 的情节式度量学习框架，用于标签高效的时间序列分类；同时提出反事实积分梯度（C-IG），以实现基于原型的可解释决策。该方法在 19 个 UCR 数据集上、每个类别仅有 2-8 个标注样本的情况下，取得了稳健且优异的分类准确率。
论文提出 HXAI 框架，结合局部与分区两级模型，在分布式能源系统中实现隐私保护下的可解释 AI 分析，用于电网负荷管理，同时在差分隐私约束下保持解释的语义结构而非最小化数值误差。
论文提出PX-UAP方法，该方法结合概率鲁棒性与可解释人工智能，生成针对基于深度强化学习的入侵检测系统的通用对抗性扰动，并在实验中展示了攻击有效性的提升。
本文介绍了SciGen-Verifier，一个用于科学图像生成可解释验证的多模态推理模型，以及一个新的基准测试和强化学习训练流程。
本文提出XACT框架，该框架用于学习时间频率变换上的稀疏归因掩模，以解释时间序列分类器，并展示了相比基线方法在精确度和可解释性方面的提升。
本文提出了一种知识追踪模型的验证协议，使用XGBoost和深度学习基线模型在ASSISTments数据集上评估预测性能以及解释的稳定性和忠实性。
本文提出一个可解释的仇恨言论检测框架，整合了DistilBERT嵌入、BiLSTM和注意力机制，在基准数据集上针对二分类和多分类任务实现了高F1分数。
本文引入了一种双模型掩码度量，对序列推荐系统中时间归因的十种可解释方法进行基准测试，发现基于梯度的方法如GradientSHAP和Integrated Gradients产生最忠实和稳健的归因。