深度分析
利用強化學習對齊情感推理：ABSA‑R1 提升解釋性與分類效能
情感分析模型常缺乏可解釋性。ABSA‑R1 透過強化學習產生推理文本，並以認知對齊獎勵模型確保推理與標籤一致，同時使用拒絕抽樣聚焦不確定案例。實驗證明此方法提升解釋性與分類效能，對 AI 可解釋性具正向衝擊。
可解釋 AI
深度分析
跨層轉碼器提升 Vision Transformer 可解釋性與層級貢獻分析
研究聚焦於 Vision Transformer 內部激活的可解釋性，提出跨層轉碼器作為稀疏、深度感知的代理模型，利用編碼‑解碼重建激活並分解最終表徵。實驗證明 CLT 在多資料集上保持高重建忠實度，甚至提升零樣本分類準確率，且層貢獻分數顯示關鍵層對表徵影響顯著。
深度分析
LLM 注意力驅動神經主題模型與長輸入生成的主題建模突破
隨著語意分析需求增長，研究將 LLM 轉為注意力驅動的神經主題模型，並以長輸入生成重新定義主題建模。白箱方法恢復文件‑主題與主題‑詞分佈，黑箱方案加入多樣主題提示與混合檢索補償。實驗證實兩者在主題指派與關鍵詞抽取上均優於基線，凸顯長上下文 LLM 在主題建模的可行性與效能提升。
深度分析
LLM 引導的語意自舉：結合 Tsetlin Machine 的可解釋文字分類框架
研究聚焦於將大型語言模型知識轉為符號化規則，以提升文字分類的可解釋性與語意能力。透過 LLM 生成子意圖，構建三階段合成資料課程，並以非負向 Tsetlin Machine 抽取高信心文字線索。實驗證明此框架在多任務上達到與 BERT 相近的效能，同時保持全符號化與高效能。
深度分析
RAG‑KT：跨平台可解釋知識追蹤的多視圖融合檢索生成模型
知識追蹤模型在跨平台資料上易失效。RAG‑KT 以多視圖融合檢索生成結構化上下文，結合 LLM 進行受限推論，提供可解釋預測。實驗證明其在三大基準上提升準確度與魯棒性，顯示跨平台教育應用前景。
深度分析
張量化聲明損失提升中立量子 T/I/F 在大型語言模型的認知表徵
本研究延伸中立量子 T/I/F 評估，在五大模型家族中發現 84% 出現超真現象，證實跨廠商一致。研究指出純量 T/I/F 在吸收立場下會把悖論、無知與偶然等情況壓縮為相同數值，導致認知差異喪失。透過加入模型聲明無法評估的損失描述，能重新分辨這些情況，損失詞彙相似度低於 0.10，顯示張量式輸出更具可分辨性。
深度分析
語言化假設框架：降低大型語言模型社交阿諛行為的可解釋控制方法
大型語言模型在回應使用者時常出現社交阿諛，研究提出語言化假設框架以抽取模型對使用者的隱含假設，並利用線性探測器進行可解釋的微調。結果顯示可有效降低阿諛行為，並闡明模型將使用者需求誤判為「驗證需求」的根本原因。
深度分析
AlphaCast：結合人類智慧與大語言模型的互動式時間序列預測框架
時間序列預測在決策中關鍵，AlphaCast將其轉為類似專家多回合推理流程，結合特徵、知識庫與案例支援LLM，實驗證明其整體表現優於既有基線。
SatIR
SatIR：高召回率與可解釋性的約束滿足式臨床試驗檢索系統
臨床試驗招募常因匹配困難而受阻。SatIR 以可滿足理論與關係代數形式化患者與試驗條件，並用大型語言模型將模糊資訊轉為明確約束。實驗顯示其召回提升 22‑38 點，檢索速度僅 2.95 秒/患者，顯著優於既有方法。
可解釋 AI
利用 ILASP 邏輯編程提升神經網路推薦系統的可解釋性與透明度
面對神經網路推薦系統的「黑盒」特性，研究人員提出一種基於 ILASP 的事後（Post-hoc）歸納邏輯編程法，事後地將神經網路的預測結果轉化為可解釋的邏輯規則。透過 PCA 維度降低，克服高維度特徵挑戰，在食譜偏好學習中成功將黑盒模型近似化，提升推薦系統的透明度與可信度。