机器学习模型在推理任务方面取得进展，通过新的模型架构、大规模预训练和专门的推理数据集推动。研究者介绍了一种与智能体结合的数据生成器，用于机器推理。生成的数据包括文本查询和答案，并与数据库的世界状态匹配。研究结果显示，这些模型能回答一些关于世界状态的问题，但在其他问题上存在困难。为设计神经推理模型和数据库表示提供了新的研究方向。

本研究提出了一种结合高阶对称性和类别理论的新框架，解决了机器学习模型在复杂变换下的鲁棒性和泛化能力问题。

本研究评估了机器学习模型在预测新材料性能时的表现，发现当前最先进的图神经网络算法在超出分布的任务上表现不足。研究还发现CGCNN、ALIGNN和DeeperGATGNN等模型在超出分布的任务上性能更稳健，并提供了改进性能的见解。

本研究提出了一种新型的机器学习模型，用于区分闪电引发和人类活动引发的野火，并估算闪电引发火灾的概率。研究发现，气候变化在不到十年的时间内显著增加了全球闪电引发野火的风险，强调了为不同类型野火制定专门预测模型的必要性。

本研究提出了一种机器学习模型，可以从有限数量的薄膜XRD模式中准确预测结晶维度和空间群，解决了稀缺数据问题，具有高精度。

本研究发现一种新形式的成员推断攻击，使对手能够可靠地取消识别所有训练样本，并且被攻击的模型仍然保持与未受损对照模型相当的性能。研究揭示了成员隐私泄漏的最坏情况，并指出了现有隐私审核方法的一个常见问题。需要重新思考机器学习模型中的隐私审核实践。

介绍了基于库普曼算子理论的新型机器学习模型KIA，能够准确预测长期系统行为。实验证明，在摆和气候数据集上的预测能力提高了300%。

本研究解决了机器学习模型在真实场景中的分布转变问题，揭示了人类在适应性上的优越性。通过分析大型计算机视觉模型的特性，发现增加模型和数据的规模、融入丰富的语义信息和多模态有助于提高模型与人类感知的一致性及其鲁棒性。研究结果表明，模型的离群准确性与人类对齐度之间存在显著的相关性。

机器学习模型的可解释性对于安全关键应用很重要。最近的研究发现归因方法存在脆弱性，提出了改进方法。研究发现现有的鲁棒性度量指标过度惩罚本地归因偏移，归因也可能集中在一个小区域。为了解决这些问题，提出了一些简单的方法来加强度量指标和归因方法。对模型训练的研究发现，对抗性训练的模型在较小的数据集上具有更鲁棒的归因，但在较大的数据集中，这种优势消失了。

本研究解决了血友病检测中数据稀缺导致准确性不足的问题。研究发现传统增强技术比合成数据更有效，Grad-CAM可视化分析揭示了准确性下降的原因与领域偏移有关，具有临床应用潜力。

该研究调查了机器学习模型在更新数据集后的脆弱性，发现访问两个模型快照会导致更高的信息泄漏。罕见属性值的数据记录更容易受到攻击，重复更改会在训练模型上留下更大的痕迹。这些结果表明机器学习模型在更新环境下容易受到属性推理攻击的威胁。

本研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过构建庞大的数据集并比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升了约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并公开提供了标注数据集。

本研究调查了机器学习模型中的偏见和不公平，并提出了减弱算法不公平和偏差的方法。通过文献综述，发现了40篇相关文章。结果表明，可以定义明确的度量标准来检测和减轻偏见和不公平。建议进一步研究以标准化机器学习模型的公正性。

本研究评估了机器学习模型在预测新颖材料性能方面的表现。发现最先进的图神经网络算法在超出分布的物性预测任务上表现不足。CGCNN、ALIGNN和DeeperGATGNN等模型在超出分布的任务上性能更稳健，并提供了改进性能的见解。

在网络安全威胁时代，后门攻击防御对机器学习模型完整性和可靠性至关重要。研究者提出了一种取消学习任务的方法，通过模型修剪策略识别和消除后门元素。该方法在数据有限场景下表现出更高的有效性。

本文讨论了机器学习模型解释性和可解释性的问题，并提出了12个概念性属性来评估解释的质量。文章还提供了定量XAI评估方法的概述，以及帮助研究人员和从业者验证、基准测试和比较XAI方法的创新库和方法。