本研究提出了一种新颖的二次规划增强模型（QPM），旨在提高深度神经网络分类结果的全球可解释性。QPM通过少量特征的二元分配显著提升了模型的可解释性，并在多个数据集上设定了新的准确性标准。

本研究提出了一种新策略，通过集成方法评估大型语言模型（LLM）分类结果的置信度，以降低对输入词汇变动的敏感性，提升分类的可靠性和模型的可信度与可解释性。

本研究探讨了开放式和封闭式嘈杂标签的结合问题，并提出了一种新的算法EvidentialMix，与现有算法进行了比较。实验结果显示，我们的方法在分类和特征表示方面表现出色。

该文介绍了高度表达力模型的结构元素和表达力类别的层次结构，证明了几个功能族的分类结果。同时，证明了固定大小的神经网络无法近似任意有限集上的函数。