该研究针对深度学习模型的黑箱特性，尤其是在医疗图像分析等关键领域中的局限性，提出了深度可解释人工神经网络（DxANN）。该架构通过将可解释性嵌入到训练过程中，而非事后应用外部解释方法，能够在前向传播中生成每个样本和特征的解释，显著增强了模型的透明度和可信度。

本文解决了地面望远镜因大气湍流导致图像失真的问题，提出了一种创新的数据驱动方法，利用机器学习技术从单个波前传感器图像中估计Fried参数。研究表明，该方法在不同条件下具备高精度和实时控制能力，为自适应光学系统优化提供了重要的控制参数。

本研究解决了传统人工神经网络在与人脑区域对齐方面的困难，提出了一种名为脑样听觉网络（BAN）的新模型，该模型结合了四个神经解剖映射区域及递归连接，并引入了一种新的评估标准——脑样听觉分数（BAS）。研究结果表明，BAN在音乐流派分类任务上表现出色，同时其BAS得分高，首次展现了与人脑听觉识别通路的相似性。

本研究提出了一种两相概率脉冲神经元（TPP），有效解决了脉冲神经网络（SNN）与人工神经网络（ANN）转换中的性能损失问题。实验结果表明，该方法在多个数据集上表现优异，具有重要影响。

本研究探讨了人工神经网络（NNs）中数字表示的类型及其抽象可变性，解决了数字变量在学习过程中如何变化的问题。通过对基于序列的神经系统进行训练，我们发现这些模型的确能够从任务目标中发展出可互换的符号样数字变量，而不同的任务和模型架构显著影响这些表示的形成及其与任务表现的相关性。最终，我们的成果表明，神经网络能够近似可解释的数字认知符号程序，但具体的程序形式和近似程度会因多种因素而异。

本研究提出了一种新型平面动物生物神经网络架构，解决了人工神经网络在图像分类中的预测准确性问题。实验结果表明，该方法在CIFAR-10和CIFAR-100数据集上优于基线模型，展示了生物启发架构的潜力。

本研究分析深度神经网络的神经元激活模式，提出概率框架，揭示神经元扩展规律。发现激活神经元数量与数据集大小之间存在数学关系，为理解网络的可扩展性和泛化能力提供新视角。

本研究解决了物理信息神经网络（PINNs）在近似偏微分方程（PDE）解时，配点数目及分布对准确性的重大影响。提出的PACMANN方法通过梯度优化算法自适应地将配点移向高残差区域，从而在高维问题上显著提高了性能，具有低计算成本及与现有PINN管道简单集成的优点。

本研究针对人工神经网络（ANNs）中神经元重要性评估的不足提出了一种新颖的方法，受神经科学中的频率标记技术启发。通过对图像输入应用正弦对比调制并分析随之而来的神经元激活，本方法能够细致分析网络的决策过程，发现ANNs在调谐闪烁频率时表现出类似生物大脑的行为，具有促进模型可解释性和应用于网络裁剪的潜力。

本研究解决了在物理交叉阵列上映射人工神经网络层的效率问题。我们提出了一种简化的映射算法，能够估算最小占用面积，并与传统的二进制线性优化方法进行比较，发现最佳解决方案与瓷砖数量无直接关系，而是瓷砖阵列容量与外围电路缩放特性之间的相互作用。此外，研究表明方阵并不总是最佳选择，性能优化可能以整体瓷砖面积为代价。

本研究针对遥感检索生物物理参数的不确定性量化缺乏贝叶斯反演理论解释的问题，提出了一种新的方法——不确定性预测神经网络（UpNet）。该方法允许同时训练两个人工神经网络，以快速检索生物物理变量并提供不确定性估计。实验结果显示，UpNet的检索结果与传统的马尔可夫链蒙特卡罗方法高度一致，且速度提升达百万倍，显示出其在中高分辨率遥感数据的不确定性量化中的巨大潜力。

本论文提出了一种新颖的深度学习方法，通过非水下声音训练模型分析水下声音数据。经过聚类和可视化，选择候选标签进行训练，最终模型在识别空气枪声时F1得分超过84.3%，证明了该方法在水下声学数据分析中的有效性。

本研究提出了一种基于脑电图信号的神经退行性疾病诊断框架MACS，具有卓越性能。该研究为将MACS技术应用于其他数据分析领域提供了新思路。

本研究提出了一种新的方法，通过构建人工神经网络（ANN）与逻辑之间的桥梁，利用逻辑工具分析ANN的语义，提升了ANN的可解释性。研究表明，逻辑表达式可以有效表示分类对象的互动模式。

利用人工神经网络对复杂特征进行预测，通过不同的解释性方法提取特征重要性评分以识别与目标表型相关的潜在相关位点...

该研究整合了技术指标、Performer神经网络和BiLSTM方法来预测加密货币的时间序列，取得了优于传统模型的计算效率和可扩展性。该方法已在主要加密货币上进行了测试，结果显示其在加密货币价格预测领域具有潜力。

本文介绍了解决抽象与推理语料库（ARC）问题的新方法，包括DreamCoder神经符号推理求解器和大语言模型（LLMs）。这些方法在解决ARC任务方面取得了进展，并提供了一种有趣的补充方式。同时，作者还发布了arckit Python库，以便未来的研究更加容易。

最近的人工智能研究中，借鉴了神经科学的理论进展，特别是人工神经网络的发展，从而显著提升了对视觉和自然语言处理等复杂认知任务的复制能力。然而，人工神经网络在持续学习、适应性知识传输、鲁棒性和资源效率等方面仍存在困难，而这些能力在生物系统中得到了无缝地处理。本文总结了最新的生物启发模型、学习规则和架构，并提出了一个增强人工神经网络的生物信息框架。我们提出的双重框架方法突出了脉冲神经网络在模拟多样...