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。

为推动多模态点云补全发展，研究人员提出了ModelNet-MPC基准，包含大规模点云和渲染图像。他们还提出了DuInNet网络，通过点云和图像的特征交互学习形状的几何和纹理特征。实验证明，DuInNet在补全任务中优于现有方法。

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。