本研究探讨了可解释人工智能（XAI）评估中的一个基本问题，即缺乏真实解释标签导致定量评估困难。作者通过示范如何利用评估过程中的灵活性进行操控，展示了超参数设置的微小调整如何显著影响评估结果，并提出了一种基于超参数排名的缓解策略，以增强评估过程的鲁棒性。这项工作强调了进行可靠的XAI评估的挑战，以及在评估中采取整体和透明方法的重要性。

该研究使用物理信息神经网络（PINN）方法，通过增加中间约束和明确检索岩土工程参数，实现了对边坡稳定性的求解。该模型在预测性能和生成地图方面表现出色，有望应用于余震滑坡的预测和准实时预测。

该研究比较了统计学、机器学习和深度学习模型在预测滑坡易发性方面的准确性和可解释性。结果显示卷积神经网络模型表现最佳，极限梯度提升和支持向量机也具有强大的预测能力。模型的解释能力因模型和贡献因素而异。使用专门的触发因素可以增加模型的可解释性，但可能降低一些预测能力。

成都理工大学使用SCDUNet++模型进行滑坡测绘，帮助防治地质灾害。hyper.ai官网更新了10个优质公共数据集和3篇AI4S论文案例，包括滑坡测绘数据集、释义识别跨语言对抗数据集和中文音频文本口语理解数据集。此外，还有关于滑坡测绘和糖尿病视网膜病变进展预测的研究成果。hyper.ai是国内领先的人工智能及高性能计算社区，提供丰富的公共资源。

成都理工大学的研究人员提出了SCDUNet++，一种结合了卷积神经网络和Transformer的语义分割模型，能够准确识别和提取滑坡特征，性能优于其他深度学习模型。该模型在滑坡测绘和迁移性方面表现出优势。

研究了不同材料对软体机器人进化运动的影响，发现在陆地和水中表现不同。观察到环境转换对形态再适应现象的影响，并指出了陆地-水和水-陆转换之间的潜在不对称性。

该研究提出了一种动态滑坡易发性测绘方法，使用多个预测模型进行评估，并采用元学习表示推断和SHAP进行模型解释。研究还应用MT-InSAR方法进行结果增强和验证。结果表明，滑坡的主要触发因素是地形坡度和极端降雨，滑坡原因的变化主要归因于全球气候变化和政府实施的滑坡预防和减灾项目。

2022年，苹果市值一度达到3万亿美元，但受多重因素影响，营收净利润双双下滑，市值也持续震荡下滑，自研通讯芯片计划也一再搁浅，核心高管离职、GPU研发人员出走等问题也接踵而至，苹果正面临一系列问题，如何稳住局面并寻找下一个新的增长点，成为了萦绕在苹果心头的“病”。