标签
本文提出了一种时序感知且可解释的自注意力框架，将可穿戴设备行为信号编码为带有起始时间戳和持续时长的离散事件。该方法在任务切换检测任务上优于现有事件驱动方法，同时提升了模型的可解释性。
Pythia是一个可解释的AI模型，基于一张新的67种RNA结合蛋白的高分辨率图谱训练而成，由Genophoria、CZ Biohub、UCSF和Calico合作开发，用于预测RBP如何通过序列和结构来识别RNA。
该论文提出一种基于非线性时间延迟系统的序列建模框架，通过可微语义延迟估计器、对角状态空间的闭式 O(1) 解以及可解释的模糊语义调制机制，在文本分类和生成任务上超越了现有最先进方法。
阿里提出 MARI 框架，通过决策记忆库（DMB）存储结构化决策记忆（SDM），将异构用户行为蒸馏为可解释的目标、约束和权衡记录，以增强 LLM 推荐系统的推理能力，显著优于现有基线，尤其在困难选择预测任务上表现突出。
本文提出一种可解释的机器学习分析，利用多中心纵向临床队列预测参与正念干预后患者在12周和24周的BDI-II抑郁评分，发现基线严重程度仍是最强预测因子，而短期结局更依赖临床与医院背景，长期结局则更依赖行为依从性和人口统计因素。
论文提出了一套用于可解释简历—职位匹配的两阶段流水线：首先是一个离线 LLM 标注器，经招聘人员反馈迭代优化，产出八个具名的匹配维度；随后将这些维度蒸馏到一个基于 LoRA 适配、可在 CPU 上部署的双编码器模型中，并为每个维度设置独立的预测头。该模型在 168,772 组标注配对数据上训练，在 927 条生产环境反馈样本组成的子集上，蒸馏后的部署模型与招聘人员记录的决策一致率达 95.79%。
提出一种新的滚动时域近似分支-归约方法，用于在具有连续特征的大规模数据集上训练近最优的深度分类树，在精度上优于启发式基线方法，同时具备远超全局最优求解器的可扩展性。
KernelOnet 提出了一种可解释的神经算子框架，用核函数显式替代干网络（trunk network），提供数据驱动、物理信息以及混合核策略，用于求解偏微分方程，在精度更高、参数更少的情况下优于 DeepONet。
本文系统分析了强化学习后训练如何重塑基于流匹配的 VLA 策略（如 π0.5 和 GR00T N1.5/N1.6），发现 RL 产生了集中在动作专家 Timestep Modules 中的低秩参数更新。作者表明，shift vector 的更新方向能强力预测任务成功率，并利用这一发现在无需额外训练的情况下改进了 RL 训练后的策略。
SMILESGNN引入了一种多模态架构，该架构结合了SMILES转换器和图神经网络，并采用交叉注意力机制，用于可解释的药物毒性预测。它在ClinTox和Tox21等基准测试上以最少的参数取得了有竞争力的性能。
本文提出了一种紧凑的步态索引前后压力中心表示，该表示基于足底垂直地面反作用力数据，用于帕金森病分类，在机器学习评估中取得了比现有方法更高的准确性。
本文提出了一种称为Summarize-Judge-Refine（SJR）的双模型架构，用于多模态内容审核。该架构通过自然语言摘要解耦内容理解与策略学习，实现了显著的性能提升和少样本策略适配。
本文评估了传统机器学习模型与LLM生成的基于规则的系统在心脏病预测方面的应用，结果显示传统模型具有更高的准确性，但LLM规则在临床使用中提供了更好的可解释性。
本文提出了一种用于在抽象与推理语料库（ARC）基准测试上进行组合性和可解释认知推理的多阶段规则链式框架，通过集成确定性求解器和层级抽象，实现了超过95%的准确率。
本文介绍了Structurally Speaking，一种用于模式导向图描述的结构化提示协议，与直接提示LLM相比，它在保持图恢复的同时提高了紧凑性和一致性。
MonoTM是一个可解释的主题建模框架，通过稀疏自编码器将混合估计与特征解释解耦，从而提供超越传统基于单词表示的语义有意义的主题。
BioGlyph是一种方法，将网络拓扑转换为可解释的语言角色，以增强大型语言模型推理复杂网络的能力，在各个领域展示了显著的性能提升。
Lngram v2 为 Transformer 引入了一种高效且可扩展的潜在条件记忆机制，将记忆容量与骨干宽度解耦，并通过离散地址和结构化表示在视觉-语言模型中展示了一致的改进。
CAHR-Net 提出了一种条件自适应磁滞重建网络，通过将操作条件注入中间表示来改进磁芯损耗建模，与现有方法相比，实现了更低的误差和更少的参数。
据报道，OpenAI即将推出的Astra模型使用了循环变压器，没有可解释的思维链，这表明AI进展比AI 2027预测的更快。