本研究探讨了眼动在欺骗检测中的应用，利用机器学习模型分析注视、眼跳、眨眼和瞳孔大小。XGBoost模型在二分类任务中的准确率达到74%，识别出多个关键特征，为欺骗检测提供了新方法。

本研究提出了数据科学家人工智能（DSAI）框架，旨在解决大型语言模型在大数据集中识别特征时的偏见和缺乏解释性的问题。实验结果表明，DSAI能够有效挖掘有意义的模式，具有广泛的应用潜力。

本研究提出了一种名为INTRA的方法，通过对比学习只依赖外观图进行特征识别，消除了配对数据集的需求，并结合视觉-语言模型嵌入，可以灵活生成文本条件下的效用图。实验结果表明，该方法在多个数据集上表现优异，并在新交互和物体的效用扎根方面具有显著的领域可扩展性。

本文介绍了一种名为Native Guide的模型无关反事实解释技术，旨在为时间序列分类器生成解释。研究表明，不同机器学习模型对反事实生成的影响有限，强调了定性分析的重要性。此外，提出了基于生成对抗网络的SPARCE方法和Counterfactual Time Series模型，以提高反事实解释的质量和可操作性。CounterfacTS工具用于探测深度学习模型在时间序列预测中的鲁棒性，帮助识别特征并优化预测性能。

该研究提出了一种新的多模态深度学习框架，可从文本和视觉数据中提取洞察力，模拟和评估人类对扫描电子显微镜图像的交互。该模型在解释、特征识别和检测以前未见的SEM图像中的缺陷方面表现出色，为科学成像应用引入了多用途的评估指标，进一步缩小人与机器解释在科学成像中的差距，为未来研究和广泛应用提供了广阔的可能性。