本研究提出了一种通用的可理解性度量方法，旨在解决代理与人类合作中的可理解性不足问题，指导代理生成更易于人类理解的信息，并为未来研究奠定基础。

本研究提出了一种新颖的度量方法，成功聚类了1768900个多项式连续分数公式，识别出许多已知及新发现的数学常数，显著提高了公式发现的效率。

最近的研究发现，语言模型中的激活可以通过稀疏线性组合来建模。研究者开发了度量方法来评估这些稀疏编码技术的成功，并测试了线性和稀疏假设的有效性。研究结果显示，语言模型的激活可以准确地被特征的稀疏线性组合所建模，且模型的激活在第一层和最后一层似乎是最稀疏的。

该研究提出了一种新的度量方法，用于评估生成网络的建模能力。该方法使用树状图来比较真实数据和生成数据之间的差异，特别关注无法捕捉训练集中所有模式的生成器。验证结果表明该方法具有竞争力。

本文提出了一种实用鲁棒性度量方法，针对14个算法和CO问题进行了广泛实验，发现最先进算法在难例上性能下降超过20％，引起对组合优化求解器鲁棒性的担忧。

该论文提出了一种新的基于概率方法的度量方法，用来评估生成模型的忠实度和多样性。该方法已在玩具实验和最先进的生成模型上进行了广泛研究，并可在GitHub上获得代码。

本文介绍了一种新颖的度量方法DTW+S，用于测量时间序列数据之间的距离或相似性。该方法创建了一个可解释的时间序列“接近保持”矩阵表示，并应用动态时间规整来计算这些矩阵之间的距离。研究人员可以使用该方法来查找相似时间点附近发生的相似趋势，并在集成构建和流行病曲线聚类中应用。此外，该方法在某类数据集上的分类效果更好，特别是当局部趋势而非尺度起决定性作用时。