本研究提出了一种名为SPEX的模型无关交互归因算法，旨在解决现有解释方法在处理大型输入时的局限性。SPEX通过稀疏傅里叶变换高效识别重要特征交互，实验结果显示其在重建模型输出方面比边际归因方法提高了20%。

本文介绍了多种新模型，如Fi-GNN、DCN-V2、MIAN、PCF-GNN、OptInter、xDeepInt、DynInt和KarSein，旨在提高在线广告和推荐系统的点击率（CTR）预测。这些模型通过优化特征交互、提升计算效率和模型解释性，在真实数据集上超越了现有技术，推动了CTR预测的进步。

本研究提出TRACE方法，通过自注意力机制优化临床风险评估的数据处理，增强特征交互和结果解读能力，特别在解释性和缺失值处理上表现突出。

本文介绍了一种基于局部特征重要性的机器学习可解释性方法，提出了多个可视化工具和新框架，以更有效地评估特征重要性及其对模型决策的影响。研究探讨了特征交互和鲁棒性问题，并提出新的特征重要性概念，以提高模型解释的全面性和准确性。

本文研究了通过二次线性层构建可解释的神经网络，提出了基于因式分解的双线性层，以提高CNN的特征交互能力并降低过拟合风险。同时介绍了门控线性网络（GLNs），强调其在线学习和抗遗忘能力。研究表明，这些新结构在多个数据集上表现优越，具有较低的计算成本和模型复杂度。

本文提出了新型神经网络架构，解决单图像超分辨率中的噪声放大和大尺度结构保留问题。通过引入局部全局特征交互、块稀疏全局感知模块和多尺度自注意模块，实验结果表明其在多个公开数据集上超越了现有方法，提升了图像恢复质量和计算效率。

本文提出了一种新的语言模型和点击率预测模型，通过协同建模和语义知识提取，实现了文本和表格之间的特征交互和对齐，适用于多种语言和CTR模型。

该文介绍了一种名为LIGHT的多任务学习神经网络，能够同时输出建筑物的高度地图、边界框和分割掩码图，并通过门控交叉任务交互模块提高了特征交互的效率。实验结果表明，该网络在DFC2023数据集上表现出优越的性能，使多任务学习的性能显著提高了2.8％ AP50和6.5％ delta1。