标签
本文应用集成机器学习模型（随机森林、梯度提升、XGBoost、极端随机树）检测丙型肝炎患者的肝硬化，使用了来自2038名埃及患者的28个特征。极端随机树模型仅用16个特征就达到了96.92%的准确率，优于其他模型。
本文提出了一种基于混淆矩阵的图构建方法和一种用于图神经网络的混合损失函数，以提高多站点污染预测的准确性和可解释性，并在真实世界空气污染数据上进行了评估。
该论文提出使用谱熵作为衡量可解释性技术在ECG心律失常分类中引入噪声的指标，有助于区分模型真实信号与XAI生成的人为伪影。
IONS是一种开源的AI记忆与推理方法，它使用名为认知构建块（CBBs）的基于证据的声明图，将知识存储在模型权重之外，从而使推理过程可检查。
本文提出了一种混合预测模型，结合集成特征选择（ANOVA和互信息）与哈里斯鹰优化调参的逻辑回归，用于女性性工作者可解释的心理健康风险预测，达到了95.78%的准确率。
本文提出一个可扩展的框架，利用LLM对定性反馈中的产品需求度进行隐式情感分析，实现了高达0.97的皮尔逊相关系数和94%的准确率，并提供解释，其中GPT-4o-mini在成本降低94%的情况下实现了相似的性能。
TelcoAgent是一个基于基础模型的框架，用于5G网络中可扩展且可解释的多KPM预测，利用自动化的3GPP知识图谱构建和时间序列基础模型进行零样本预测。
介绍进化程序性瓶颈（EPB），一种通过LLM驱动的进化将黑箱模型蒸馏为人类可读的程序组合以解读神经组合优化策略的框架。
GLARE是一种基于LLM的接口，能够将自然语言问题转化为针对局部解释数据的SQL查询，使用户能够交互式地探索黑盒图像分类器的全局解释。
PRAG框架将传统RAG与波你尼规则引擎相结合，用于更安全的医疗AI，在MedQA上实现了不安全答案减少71%。它提供可审计的规则追踪，并且是开源的。
提出了一种基于强化学习的后训练方法，使用群体相对策略优化（GRPO）和链式思维监督，以提高基于思维的多模态大语言模型在仇恨与宣传梗图检测中的分类和解释质量，在Hateful Memes和ArMeme基准上取得了改进。
一项研究对BridgeDPI药物-靶点相互作用模型进行了跨方法可解释性审计，结合基于梯度的归因和遮挡方法，揭示了模态主导性和伪影，为药物发现提供了可检验的假设。
ProtoX-AD is a prototype-based self-explainable framework for self-supervised time series anomaly detection that provides interpretable explanations for detected anomalies by learning transformation-aware prototypes, achieving performance comparable to black-box methods while offering semantic anomaly characterization.
本文提出了一种轻量级监控原语，用于跟踪AI集成无线接入网络（AI-RAN）中可解释的参数-关键绩效指标依赖关系，以支持冲突检测和慢循环模型刷新，采用布尔矩阵表示和滑动窗口推理。
本文提出了一种 Glassbox 框架，该框架利用贝叶斯网络作为生成模型的透明事前中介层，实现了可审计的推理轨迹和可质疑的输出，以解决高风险 AI 应用中的不透明性问题。
TRIAGE是一个框架，训练LLM从不规则采样的医学时间序列中生成辩证推理以进行连续风险评分，从而改善校准性和可解释性。
本研究利用ADNI数据集中的八项临床生物标志物，构建了一个结合SHAP可解释性的XGBoost分类器，实现对阿尔茨海默病的三分类检测（认知正常、轻度认知障碍、AD），在留出测试集上达到宏观AUC 0.982、Cohen's kappa 0.909。SHAP分析表明，CDR整体评分是认知正常和轻度认知障碍的主导预测因子，而CDR-SB与MMSE共同驱动了AD的分类判别。
本文提出了一种确定性气候风险智能框架，整合了编排、异常检测和不平衡感知集成学习，用于可审计的ESG验证，以解决碎片化的范围1-3报告数据。
介绍了Hoeffding概念瓶颈模型（HCBM），这是一种利用梯度提升树的Hoeffding函数分解对概念分数进行非线性稀疏聚合的方法，旨在提高分类和目标检测任务的可解释性和准确性，并应用于高空图像。
本文提出了一种替代架构，使用径向基函数（RBF）网络，消除了深度神经网络，并以闭合形式找到全局最优解，无需迭代训练。还回顾了其他非DNN方法，如KANs和k-NN检索，并通过案例研究展示了增强的可解释性和更快的训练速度。