本文介绍了自动化特征工程中的可解释特征生成问题。作者提出了一种名为SMART的混合方法，结合语义技术、描述逻辑和深度强化学习来指导特征生成。实验结果显示，SMART在提高预测准确性的同时，保持了高可解释性。

本文综述多项电子健康记录研究：H-BERT利用图树表示医疗编码以提升表型预测；iTelos支持构建可互操作的电子健康记录；sEHR-CE无需映射即可集成异构数据并开展表型分析；HeteroMed通过处理缺失与异构数据改善疾病诊断；OMOP2OBO映射词汇以支持深度表型分析；机器学习可自动识别临床记录属性；分布式账本支持匿名预测分析；语义技术用于个人健康监测；马尔科夫链用于分析本体协作模式；神经SP模型用于电子健康记录问答检索。

该文综述语义技术与机器学习结合的多项研究：SemCloud为无云计算经验者提供语义增强云系统；用图模型表示传感器数据并嵌入向量空间以服务工业4.0；语义推理提升数据科学自动化的可解释性与一致性，应对信任和偏见问题；本体方法用于家庭能源数据管理及增材制造数据集成与互操作；语义可视化助力分析CORD-19等复杂数据集；并探讨数据湖语义管理与工业入侵检测安全方案。