BACON是一种新型可解释AI决策模型，专为医疗和金融等高风险领域设计，满足透明性和可信性的需求。该模型通过分级逻辑实现高预测准确性和结构透明，促进人机合作。实验结果表明，BACON在多个场景中表现优异，展示了其在可解释AI领域的应用潜力。

本研究探讨了自动驾驶汽车与人类驾驶员在复杂高风险场景中的互动安全问题，提出了认知-决策框架，发展了风险敏感度模型和基于漂移扩散模型的决策模型，为模拟应急驾驶决策提供理论基础。

本研究提出了一种新计算框架，将递归神经网络与人类反应时间对齐，以更好地模拟人类行为选择。该框架优化了决策模型，实现了速度与准确性的平衡，显著提升了对人类反应时间数据的拟合效果。

本文研究了多种偏好学习算法及其在决策模型中的应用，提出了新的程序和算法以提高偏好聚合的效率和一致性。通过引入可控偏好优化（CPO）和可分性指标，改善了大语言模型（LLM）的逻辑一致性和偏好评估，强调了逻辑一致性在构建可靠系统中的重要性。研究结果表明，改进的算法在处理复杂偏好问题时表现优越。

本文介绍了一种基于多臂老虎机框架的决策模型，分析社交网络中的学习与决策过程。个体通过观察邻居行为来最小化后悔。研究提出多种算法，适用于不同网络结构和反馈情况，证明了在社交网络中实现近似纳什均衡的有效性。同时，探讨了延迟反馈和动态偏好下的遗憾最小化问题，提出新的算法和度量标准，具有重要应用价值。

本文研究了基于Transformer的语言模型在推理中检索知识的能力，并提出了选择性结构化状态空间模型Mamba。Mamba在处理长序列时表现优越，推断速度比Transformer快5倍，适用于自然语言处理等多个领域。研究还探讨了Mamba在决策模型中的应用潜力，强调了神经网络架构对复杂任务性能的重要性。

本论文提出了一种基于SHAP的可解释性技术的决策模型，用于预测投资建议，并通过案例研究验证了其有效性。模型的应用显著提升了投资者投资组合的价值，强调了引入可解释性的重要性，以提高利益相关者的信心和促进股票交易领域的透明度。