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。

本文介绍了一种基于物理信息神经网络（PINN）的框架，用于模拟地震运动和推断地震断裂参数。该方法通过轻量网络和深度神经网络有效解决介质分布问题，适用于地震学及其他地球物理数据集，验证了模型的有效性和精度。

本文研究了多种机器学习和深度学习模型在滑坡易发性预测中的应用，分析了主要触发因素如地形坡度和极端降雨，强调了气候变化对滑坡风险的影响。研究表明，深度学习模型在预测精度和鲁棒性方面优于传统方法，具有良好的应用前景。

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。

该文综述多项滑坡研究，涵盖动态易发性测绘与元学习方法，结合MT-InSAR验证香港大屿山1992—2019年滑坡（主因坡度与极端降雨，变化源于气候变化和减灾工程）；空间点过程模型研究西西里岛滑坡；集成模型提升地貌图精度；影响因素选择对机器学习预测的影响；GAN模拟气候复合灾害；Transformer预测滑坡行为；变分模态分解预测位移；分割不确定性评估；全球灾害风险分析；基于3D拓扑以80%—94%准确率识别滑坡类型。

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”。