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。

该研究使用图神经网络分析脑网络结构数据中与神经系统疾病相关的生物标志物。研究提出了一种可解释的GNN框架，通过显著区域选择机制和规则化池化层突显感兴趣区域，推断出对于识别疾病很重要的ROI。在自闭症神经影像数据集上应用PR-GNN框架，展示了其在分类准确性方面的优越性和与以往研究结果的一致性。

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。