本研究提出了一种新颖的物理信息神经网络模型，用于评估Grad-Shafranov方程，能够处理多种边界条件。结果表明，该模型在准确性和推理速度上优于傅里叶神经算子，并通过Marabou工具进行了有效验证。

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。为解决此问题，提出了无先验异常生成范式和名为GRAD的无监督异常检测框架。GRAD包括扩散模型、自监督加权机制和基于补丁的检测器。实验证明了GRAD在异常检测准确性和推理速度方面的竞争力。

本研究提出了一种基于梯度加权的 Gradient Cam 增强方法，解决了饱和现象和敏感性问题，构建更准确、局部、鲁棒的解释，并通过微调扰动分布来调节解释的复杂性和稳定特征选择。验证了该方法的有效性。

研究者通过弱监督模型和梯度可解释人工智能技术，开发了一个前馈神经网络模型，用于识别中风幸存者数据集中的补偿动作。评估结果显示该方法在召回率和F2分数方面表现良好，表明基于梯度的可解释人工智能技术在时序数据中具有潜力，可以减少标签工作量。

深度学习模型在药物发现中广泛使用。研究发现模型在提取形态特征时存在作弊机制，提出了一种新的评估方法Grad-CAMO，可审计细胞特征向量并指导深度学习架构改进设计。Grad-CAMO可无缝集成到现有工作流程中，与2D和3D细胞图像数据兼容。

最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。为解决此问题，提出了一种名为GRAD的无监督异常检测框架，包括扩散模型、自监督加权机制和基于补丁的检测器。实验证明了该框架在准确性和速度方面的竞争力。

GRAD是一种无监督异常检测框架，通过扩散模型、自监督加权机制和基于补丁的检测器提高了准确性和推理速度。它不依赖于辅助数据集或异常模拟样本，具有较强的适应能力。

模拟自引力气体流对于解决天体物理学中的基本问题很重要。引力和流体力学之间的相互作用对于解决三维时间相关的偏微分方程提出了挑战。引力信息的神经网络（GRINN）是一种用于模拟3D自引力流体动力学系统的计算代码。研究结果显示，GRINN的计算结果误差在1%以内，并且计算时间与维度数量无关，显示出其在模拟3D天体物理流动方面的潜力。

该论文介绍了一种名为Grad-CAM++的泛化方法，可以提供更好的CNN模型预测视觉解释，包括对象定位和解释单个图像中多个对象实例的方式，并在多个任务上进行了广泛的实验和评估。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑，并使用解释方法提供对模型预测的后续定性解释。研究发现，深度学习模型能够有效预测纬度较高的太阳耀斑，取得了平均TSS=0.51和HSS=0.35的结果。模型解释的定性分析表明，模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，对于运营预测具有重大意义。

本文介绍了一种名为Score-CAM的新型可解释性模型，通过目标类的前向传递得分获得每个激活映射的权重，并通过线性组合得到最终结果。该方法在视觉性能、公平性、识别和定位任务以及调试工具方面表现出色，并通过测试验证了其独立性。