arXiv ID:
2603.17575
基于符号回归的无监督符号异常检测 / Unsupervised Symbolic Anomaly Detection
1️⃣ 一句话总结
这篇论文提出了一种名为SYRAN的新方法,它通过符号回归学习一组人类可读的数学方程来描述正常数据的规律,从而直接、可解释地检测异常,其性能与最先进的方法相当。
基于符号回归的无监督符号异常检测 / Unsupervised Symbolic Anomaly Detection
这篇论文提出了一种名为SYRAN的新方法,它通过符号回归学习一组人类可读的数学方程来描述正常数据的规律,从而直接、可解释地检测异常,其性能与最先进的方法相当。
SemanticFace:通过可解释空间中的语义蒸馏实现语义面部动作估计 / SemanticFace: Semantic Facial Action Estimation via Semantic Distillation in Interpretable Space
这篇论文提出了一个名为SemanticFace的新框架,它通过一个两阶段的语义蒸馏方法,将图像中的人脸表情转化为既精确又易于理解的肌肉运动参数,从而更好地控制数字虚拟形象或进行人机交互。
基于自适应原型的可解释前列腺癌分级 / Adaptive Prototype-based Interpretable Grading of Prostate Cancer
这篇论文提出了一种基于原型学习的新方法,通过模仿病理学家对比可疑区域与临床案例的工作流程,实现了对前列腺癌病理图像既准确又可解释的自动分级,有助于减轻医生负担并提升诊断信任度。
PIME:一种基于原型的、可解释的蒙特卡洛树搜索增强型脑网络分析方法,用于疾病诊断 / PIME: Prototype-based Interpretable MCTS-Enhanced Brain Network Analysis for Disorder Diagnosis
这篇论文提出了一种名为PIME的新型可解释AI框架,它结合了原型学习和蒙特卡洛树搜索技术,能够从嘈杂的脑功能成像数据中,稳定且可复现地找出与疾病诊断最相关的关键脑区,同时保持高诊断准确率。
行为学习(BL):从数据中学习层次化优化结构 / Behavior Learning (BL): Learning Hierarchical Optimization Structures from Data
这篇论文提出了一种名为‘行为学习’的新机器学习框架,它能够从数据中自动学习出既易于理解又结构清晰的优化模型,适用于从简单到复杂的多层次决策问题,在保持高预测精度的同时,模型本身也具有很好的可解释性。
利用可解释的类别依赖奖励框架结合活动区磁图与领域知识预测大级别太阳耀斑 / Prediction of Major Solar Flares Using Interpretable Class-dependent Reward Framework with Active Region Magnetograms and Domain Knowledge
本研究首次提出了一种结合领域知识特征和太阳磁图数据的“类别依赖奖励”分类框架,通过改进的Transformer模型,成功实现了对未来24小时内大级别太阳耀斑的预测,其性能超越了现有主流方法。
GAFR-Net:一种用于可解释乳腺癌图像分类的图注意力与模糊规则网络 / GAFR-Net: A Graph Attention and Fuzzy-Rule Network for Interpretable Breast Cancer Image Classification
这篇论文提出了一种名为GAFR-Net的新型网络,它通过结合图注意力机制和可微分的模糊规则模块,在乳腺癌病理图像分类任务中,不仅取得了比现有方法更好的性能,还能像医生一样提供清晰易懂的‘如果-那么’诊断逻辑,从而解决了深度学习模型在标注数据少和缺乏可解释性方面的难题。
Phi-Former:一种用于预测化合物-蛋白质相互作用的成对分层方法 / Phi-Former: A Pairwise Hierarchical Approach for Compound-Protein Interactions Prediction
这篇论文提出了一种名为Phi-Former的新方法,它通过分层建模原子和分子片段(功能基团)之间的相互作用,来更符合生物实际地预测药物候选分子与靶蛋白之间的相互作用,从而提升预测准确性和可解释性,助力药物研发。
从故事情节中推导角色逻辑:一种编码化决策树方法 / Deriving Character Logic from Storyline as Codified Decision Trees
这篇论文提出了一种名为‘编码化决策树’的新方法,它能够从大量故事数据中自动学习并生成一套清晰、可执行的角色行为规则,从而让游戏或叙事中的角色AI行为更可靠、更符合人设,效果显著优于人工编写的方法。
请先 登录 后再提交论文