本研究提出了一种新方法AGAIN（基于因子图的可解释神经网络），旨在解决现有可解释神经网络在未知扰动下无法生成可理解解释的问题。AGAIN通过整合逻辑规则，识别和修正解释中的逻辑错误，显著提高了可解释性和有效性。实验结果表明，AGAIN在多个数据集上优于现有方法。

本研究提出了一种新颖的方程发现框架KAN-PISF，结合去噪算法、可解释神经网络和物理信息样条拟合，旨在提高动态系统建模的可解释性。该方法成功识别非线性方程结构，展示了在物理理解与建模中的潜在影响。