本文利用深度学习分类器解决本科招生委员会决策验证问题，并通过引入解释性模块LIME对模型进行进一步解释与分析。使用多变量和信息丰富的申请者数据集进行训练和测试，模型在准确性上相比传统机器学习方法提升了3.03%。利用LIME技术展示了招生决策中不同特征的敏感性和相对影响。

报道了一种深度学习分类器CoPhNet，能够区分CdZnTeSe（CZTS）半导体探测器中的康普顿散射和光电相互作用的γ/X射线光子。该模型使用模拟数据进行训练，并使用模拟和实验数据进行验证，结果表明CoPhNet模型能够实现较高的分类准确性。这项工作为下一代高能γ射线探测器的开发打下了基础。