标签
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。
本文提出一种透明框架，将语音声学特征与DSM-5抑郁指标相关联，实现可解释的检测。该框架在商品硬件上本地运行以保护隐私。
本文介绍了ShuttleArena，一个基于物理的羽毛球自对弈环境，其中代理使用PPO学习可解释的战术策略，在击球选择和恢复方面显示出竞争性改进。
本文提出了一种结构化的因子隐马尔可夫模型变体，用于利用电子健康记录分析和解释2型糖尿病患者的疾病轨迹，揭示了具有临床意义的模式和进展路径。
HiMA-MDD引入了一个层级多代理系统，用于解释多模态临床访谈以检测抑郁症，在E-DAIC数据集上实现了最先进的性能。
该论文提出了J64和R64，针对混合专家AI模型中推理状态的可解释读出方法，旨在提升测试时的决策效率和准确性。
结构化先验知识（SPK）是一个框架，它从预训练目标检测器中显式提取潜在的语义、几何和上下文先验，以实现最先进的离群分布检测，提高可解释性和可靠性。
PIKFNO是一个新的可解释神经算子框架，它整合了来自控制方程的物理信息核函数，以在有限训练数据下提升预测准确性和可解释性。
ORCA是一个使用对比学习和自编码器的两阶段框架，用于对撞机实验中的可解释异常检测，以提高新物理搜索的灵敏度和可解释性。
本文介绍了NLP心理测量学，这是一个将文本心理预测视为心理测量问题的框架。通过使用LLM人格、情感画像以及句法-语义网络与随机森林回归器，该框架解释了心理健康评分中高达76%的方差，并展示了合成数据在心理测量预测中的前景与局限。
本文提出了一种质量守恒感知机（MCP）框架，将概念水文模型重构为物理约束、可解释的神经网络，并在513个CAMELS-US流域中针对雪水表征进行了评估。
提出SymCA，一种利用LLM将标注物化为全局到局部符号决策过程的可解释列标注框架，相较于基线取得了显著的准确率提升。
本文研究了使用大语言模型（LLMs）和监督分类器从社交媒体文本中检测抑郁症的方法，提出了一种基于提示的嵌入方法以增强可解释性。在多个数据集上的实验表明，零样本LLMs在二分类任务中表现良好，但在细粒度严重程度分类上表现不佳；而基于LLM摘要嵌入的监督模型在多分类和有序分类任务中取得了更一致的表现。