本研究提出了一种可解释的神经系统动态框架，结合深度学习的预测能力与传统模型的可解释性，提升因果可靠性和可扩展性，并验证其在自动化交通系统中的应用。

本研究解决了在黑箱系统识别中快速适应神经状态空间模型（NSSMs）的问题，并引入特定领域的物理约束以提高NSSM的准确性。该方法通过利用多种源系统的数据，允许在目标数据有限的情况下进行学习，最终在室内定位和能源系统的状态估计中展现出更优的下游性能。

本文探讨多层迷走神经理论，强调安全感对身心健康的重要性。通过改善身体姿态、社交互动和冥想等方式，提升心率变异性，促进心理健康。理论指出，社会参与系统与自主神经系统密切相关，安全感是发挥潜能的关键。

本研究提出了一种基于检索增强生成（RAG）的手势生成方法RAG-Gesture，旨在解决现有神经系统在生成语义丰富手势方面的不足。该方法结合可解释的语言知识和示例运动库，实现自然且富有语义的手势生成，推动手势合成领域的发展。

本文介绍了利用图神经网络（GNN）和功能性磁共振成像（fMRI）数据识别自闭症谱系障碍（ASD）生物标志物的研究进展。研究提出了一种可解释的GNN框架，强调重要脑区，并展示了在分类准确性和生物标志物一致性方面的优势。此外，介绍了ContrastPool和BN-GNN等新方法，提升了脑网络分析的性能和解释能力。

该论文描述了一种轻量级 Python 框架，提供了神经李雅普诺夫函数的综合学习和验证，用于稳定性分析；这个工具通过将 Zubov 的偏微分方程编码为 PINN 方法，能够在吸引域的附近提供验证的吸引域区域。

该文介绍了一种自动化方法，用于量化视觉可解释性，并在卷积神经网络中找到比个别神经元更具直观意义的方向。该方法还在大脑中的视觉神经响应数据集上得到了验证，表明大脑可能使用了叠加。