标签
提出使用神经谓词为Black-Litterman模型生成结构化概率观点，提高投资组合构建中的可复现性和可解释性。
本文介绍了一种基于统计的框架，使用伯努利朴素贝叶斯和χ²引导的二值化进行可解释的临床分类，在基准数据集上取得了有竞争力的AUC分数，同时提供了明确的决策规则和校准的风险估计。
SciReasoner是一个多模态科学基础模型，能够对蛋白质、分子和晶体进行可解释的结构推理，在86个基准测试中的67项上取得了最先进的性能。
CALM 是一个从完全无配对的数据集中学习脑区与遗传通路之间可解释关联的框架，能够在无需配对多模态数据的情况下，为自闭症等神经精神疾病发现生物标志物。
GNBAN是一种新的基于图的神经架构，用于长期零售需求预测，结合了异构图学习和可解释的基分解预测头，在Walmart和Favorita基准上实现了4-5%的改进。
ThinkDeception提出了一种新颖框架，利用多模态大语言模型和带有思维链推理的渐进式强化学习策略进行可解释的欺骗检测，在标准基准上取得了最新的最优结果。
对Web规模LLM预训练数据中叙事特征的细粒度研究，引入了NarraBERT和NarraDolma来测量叙事模式及其在不同来源中的分布。
本文介绍了CDPR，一种基于子模最大化学习高准确率且可解释分类规则集的新方法，与现有方法相比，覆盖率提升超过2.5倍。
本文通过训练一个可解释的文本分类器，评估了英国和瑞典议会文本中未披露的LLM生成内容的程度，发现自2022年以来未披露的LLM使用量稳步增加。
介绍了ERP-XTTN，一种无需校准即可跨被试进行可解释ERP分类的交叉注意力架构。在多个数据集上评估，它取得了与黑盒模型相媲美的性能，同时提供了透明的路由洞察。
本文针对AI增强型课堂提出了一种可解释的决策层，通过结合教师和学生反馈，在不使用成绩的情况下对需要关注的课程主题进行排序。该方法能够揭示孤立学习者，并在初步研究中与教师关注点保持一致。
本文介绍了Ex-ToxiCN-MM——首个中文有害迷因解释数据集，以及知识库C-HarmKB和归因分析框架RIKE，通过考虑文化背景和语义模糊性，提升有害迷因的可解释检测能力。
本文提出了一种基于注释者间一致性和标签解耦的可解释文本表示的操作性标准，并引入了LLM辅助特征发现（LFD）方法，该方法通过跨LLM一致性筛选和残差预测增益来选择清晰、标签解耦的特征。实验表明，LFD在保持预测性能的同时，产生了更可解释的特征，并通过人工审计进行了验证。
OceanCBM 是一种用于海洋预报中时空预测和机制可解释性的概念瓶颈模型，它采用混合监督来预测混合层热含量，同时施加软物理结构。该模型在不牺牲预测技能的情况下，实现了可解释、基于物理的表示。