生存预测不再只给风险分数：ODDS-DR把输出改成可加的对数几率，两次反向传播扫出整条时间风险轨迹
临床生存模型通常输出分布参数，这些抽象量难以对应医生熟悉的危险因素。ODDS-DR把网络输出重新参数化为按对数几率相加的形式，使每个输出神经元都能直接归因到输入特征。在SUPPORT2与主动脉缩窄两个队列上，其区分度与DeepSurv、DeepHit、DSM等基线相当或更高，其中SUPPORT2上对数 logistic 变体的C-index为0.83。
聚合物性质预测不再依赖化学规则切分：按几何半径切出多尺度片段，多模态模型在若干性质上提升约5–10%
聚合物性质预测长期依赖按化学规则切分的分子片段，遇到陌生结构时切分方式未必合适，片段大小也难以连续调节。一种以几何邻近为准的切分方法把分子片段化写成半径约束下的中心选取问题，片段数目由给定半径决定而非事先固定，改变半径即可得到不同尺度的片段。把这种多尺度片段接入结合p-SMILES与三维构象的多模态模型后，在聚合物基准数据集上，若干性质的预测误差相对基线下降约5–10%，但三维模态的贡献随性质而异。
归因图不再只靠启发式：直接优化插入删除曲线，Ra-NEM在四类图像模型上平均忠实度最高
可解释AI的归因图此前多由启发式方法生成，忠实度只能事后用插入与删除曲线评估。Ra-NEM把这两条曲线的面积写成可微目标，用Gumbel top-k技巧做可微的top-k特征选择，再接入神经解释掩码框架。在ImageNet预训练的ResNet50、ConvNeXt、VGG16和ViT上，它的平均忠实度最高，推理速度也最快，但VGG16上排第五。
MEA 用奖励驱动多智能体把模型解释的忠实度提升最高 34%
该工作提出 MEA 多智能体框架：Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体以忠实度为奖励端到端优化，将输出转为自然语言解释；作者同时引入覆盖特征归因、反事实推理与虚假特征检测的问题类型及基于扰动的忠实度指标，发现前沿大模型会系统性地给出不忠实解释，而 MEA 在六个数据集上优于事后解释器、智能体与闭源基线，相对未训练主干在表格、文本、视觉上分别取得 +28%、+21%、+34% 的忠实度增益。
南京大学团队发布DSEBench：首个同时支持“关键词+示例数据集”检索与字段级解释的数据集搜索测试集
该工作提出并形式化了“带示例的数据集搜索”（DSE）及其可解释扩展（ExDSE）任务，构建了首个同时提供数据集级与字段级人工标注的测试集DSEBench（141个测试用例、7,415个三元组，另含5,699个训练用例、122,585个三元组），并用大语言模型生成大规模训练标注，最后适配并评测了多种检索、重排与解释方法以建立基线。
视觉模型规模扩大并不稳定提升基于定位的解释质量
该研究在Oxford-IIIT Pet与Chest X-ray Pneumothorax两个带真值分割掩膜的数据集上，对ResNet、DenseNet与Vision Transformer家族的11个视觉模型（7个从头训练、4个使用预训练权重）用五种事后解释方法（Saliency、GradientSHAP、Integrated Gradients、Feature Permutation、Grad-CAM）生成归因图，并用Relevance Rank Accuracy与作者提出的Dual-Polarity Precision两项定位指标衡量归因与掩膜的对齐程度，结果显示在多数统计比较中增加深度与参数量并未提升解释
已读完全部报道