本文探讨了合规与事故调查中的审计日志要求，定义了最小日志集，包括用户、代理和工具调用等信息。提出了OpenTelemetry建模建议，强调个人身份信息（PII）的清洗和不可篡改性的重要性，并与零信任可观测性相结合。建议定期审计和监控，以确保合规性和安全性。

机器学习在量化选股中的应用不仅仅是特征拼接和模型训练，成功的关键在于标签构造、特征处理、训练协议、模型解释和上线监控等细节。机器学习应嵌入具体环节，帮助合成信号，而非替代传统模型。有效的标签构造和特征工程是提升模型表现的基础，需避免未来信息泄漏和过拟合。模型上线后需持续监控其表现和稳定性，以应对市场变化。

本文探讨了风险模型在基金管理中的重要性，强调风险预算、事后归因和组合优化的核心作用。风险模型通过因子分解协方差矩阵，帮助基金经理理解组合风险来源，并提供优化器所需的结构化约束。文章还介绍了风险模型的工程实现，包括每日数据处理、风险归因和压力测试，强调数据质量和模型一致性的重要性。最终，风险模型不仅是数字工具，更是决策支持的基础设施。

机器之心数据服务现已上线，提供高效、稳定的数据获取服务，简化数据爬取流程。

本研究解决了机器学习模型中存在的公平性问题，特别是在可能导致严重社会后果的高风险领域。我们提出了一种新的预处理框架FairSHAP，利用Shapley值归因来识别和修改训练数据中的公平性关键实例，从而在减少歧视风险的同时保持数据完整性和模型准确性。研究表明，FairSHAP显著改善了各类表格数据集中的人口平等和机会平等，实现了公平性提升并在某些情况下提升了预测性能。

本研究针对LLM多代理系统中的失败归因问题，提出了一种新的研究领域：自动化失败归因。通过引入Who%的准确率，然而在定位失败步骤上仅为14.2%。这一发现凸显了该任务的复杂性，并指出了进一步研究的必要性。

本研究提出了CachePrune防御机制，以应对大型语言模型在间接提示注入攻击中的脆弱性。该方法通过识别和修剪任务触发神经元，显著降低攻击成功率，同时保持响应质量，为构建更安全的人工智能系统提供支持。

本研究解决了现有特征归因稳定性保证方法中存在的依赖平滑分类器和过于保守的问题。我们提出了一种简单、模型无关、样本高效的稳定性认证算法（SCA），为任何归因提供了非平凡且可解释的保证，并展示了适度平滑在准确性与稳定性之间的优雅权衡，显著提高了解释方法的鲁棒性。

本研究解决了现有模型剪枝方法在不同数据集和任务上泛化能力不强的问题。我们提出了一种新的方法——神经元语义归因，能够将神经元与特定语义关联，从而提高剪枝效果的可解释性。研究发现，该方法在情感分类任务中显著提升了剪枝性能，对模型加速和资源节约具有重要影响。

本研究解决了时间序列分类模型解释性不足的问题，揭示了扰动评价法在不同类别间的显著差异，并提出了带类感知惩罚项的评估框架，以更准确地评估特征归因效果。

本研究针对深度学习模型归因方法缺乏可识别性保障的问题，提出了一种新的方法xCEBRA，通过对时间序列数据的正则化对比学习算法和一种新的归因方法（反向神经梯度）相结合来生成可识别的归因图。研究表明，xCEBRA不仅在合成数据集上实现了归因图真值相较于零和非零条目的稳健近似，还显著提升了先前基于特征消融、Shapley值和其他基于梯度的方法的归因效果，开启了理解时间序列数据的新方向。

本研究针对深度神经网络解释性不足的问题，通过引入可转移的对抗攻击方法（如MIG和GRA）提升了归因性能。实验结果表明，AttEXplore++在五个模型上的性能平均提升达7.57%，并在当前最先进的可解释算法中取得32.62%的改进，显示出对抗转移性在提高归因效果中的重要性。

本研究解决了机器学习领域中理解神经模型输出背后的合理性这一复杂问题，尤其是在大语言模型和上下文学习的背景下。通过设计合成诊断任务，我们发现传统的输入归因方法在解释上下文学习中的归纳推理过程时存在一定的局限性，尤其较大模型的可解释性更为困难。研究表明，某些简单的输入归因方法表现最佳。

本研究提出了一种基于沙普莱值的方法，评估句子级评分中单个编辑的贡献，以解决语法错误纠正评估的可解释性问题。实验结果表明，该方法与人工评估高度一致，并揭示了评估中的偏见趋势。