深度分析
XAI 研究新方向：從方法導向到「定義‑屬性‑評估‑部署」基礎框架
隨著AI模型解釋需求升高，研究指出XAI多聚焦於開發臨時方法，缺乏明確目標與評估，導致實務應用有限。作者主張先建立定義、屬性與評估框架，再開發工具，預期提升解釋在決策與治理中的實際效用。此趨勢若被廣泛採納，將促使產業重視解釋性標準，提升模型透明度，並可能形成新興的XAI服務市場。
可解釋人工智慧
深度分析
利用 XAI 引導特徵遮罩提升聯邦學習在非 IID 環境下的效能與隱私
聯邦學習因客戶端資料分布不一致而性能受損，研究提出FedXDS以XAI的特徵歸因指導資料共享，僅傳送屬於模型決策關鍵的特徵並加入度量差分隱私保護。實驗顯示在多客戶端與高異質性情境下，FedXDS能提升準確率與收斂速度，同時抵禦成員推論與特徵反演攻擊。此外，該方法僅需一次反向傳播即可取得歸因圖，減少計算開銷。
深度分析
EPB 框架：以程式化瓶頸提升神經組合最佳化的可解釋性與效能
神經組合最佳化（NCO）在路徑規劃與排程領域已展現媲美傳統啟發式的效能，但模型黑箱特性限制了產業部署與科學診斷。本文提出首個針對 NCO 政策的可解釋框架——Evolving Programmatic Bottlenecks（EPB），透過大型語言模型自動產生、演化可執行程式庫，將每一步的行動分配視為程式化瓶頸。
深度分析
KANLib 模組化框架：提升 Kolmogorov‑Arnold Networks 訓練效能與可解釋性
傳統多層感知器依賴固定激活函數，限制了模型的可解釋性。研究團隊推出 KANLib 框架，將線性權重替換為可學習的一元函數，並整合 PyKAN 與 FastKAN 等核心功能，支援自適應網格縮放與網格擴展。在加州房價數據集測試中，KANLib 成功重現既有實作的預測表現且運算效率卓越，為 AI 研究者提供更靈活的 KAN 開發環境。
深度分析
LEAF‑X：以熵導向注意力提升 Transformer 語音辨識的可解釋性與時間定位精準度
隨著大型轉換器語音辨識模型精度提升，可解釋性仍不足。研究提出LEAF‑X，透過熵導向注意力加權與多層滾動，產生稀疏且時間定位精準的token‑to‑frame解釋，實驗顯示在Faithfulness、Locality與Stability上較既有方法提升30%以上。
速報
以拉格朗日力學打造標準可解釋模型（SIM）
隨著人工智慧模型規模與複雜度不斷提升，解釋性已成為了解、除錯與控制模型運算的關鍵需求。現有的解釋方法缺乏統一理論，導致文獻零散、評估標準不一。
速報
多模態大型語言模型的 Shapley 解釋新框架：結合文字與音訊特徵
本研究針對多模態大型語言模型（MLLM）提出一套擴充的 Shapley 值解釋方法，將文字 token 與音訊片段視為合作特徵。為因應跨通道依賴與計算成本，作者結合精確計算與蒙特卡羅抽樣，並使用 Neyman 配置降低變異。
速報
認知威脅情報與可解釋聯邦安全分析框架於分散式基礎建設的應用
隨著雲端、物聯網與邊緣運算的普及，分散式基礎建設的資安攻擊面持續擴大，傳統集中式入侵偵測面臨可擴展性、隱私保護與運算透明度等挑戰。研究提出結合聯邦學習、可解釋人工智慧與認知資安分析的框架，讓各節點在本地訓練安全模型，僅以加密的模型參數進行聯邦聚合，降低資料傳輸需求並提升隱私。
深度分析
多層感知與 Graph-of-Thoughts (GoT)：可解釋的全雙工會話行為推理框架
語音對話系統需要在同時聽與說時做出即時判斷，處理語音重疊與微停頓。本研究提出以多層感知模組先辨識高階語行為，再在低階互動動作上做因果式預測與標註。系統以每秒為單位輸出兩層語行為與可讀取的推理理由，並以動態思維圖譜(Graph-of-Thoughts)串連決策過程。實驗在模擬與真實雙向對話上驗證，顯示在層級行為辨識與可解釋推理上具穩定表現與遷移能力。
深度分析
從CBD到實際因果性：在可解釋人工智慧中融合一致性診斷與責任度量
本文從可解釋人工智慧（XAI）角度，系統性檢視一致性基診斷（CBD）與實際因果性（actual causality）及因果責任度（causal responsibility）之間的關係。作者以命題邏輯與布林分類器為範例，示範如何把CBD問題重構為結構因果模型（SCM）中的因果查詢，並反向將因果歸因問題表述為CBD。
深度分析
SAGE：基於多代理與工具化證據的可解釋時序異常診斷框架
時序異常檢測在工業監控與資安等場景扮演關鍵角色。SAGE以四類專責 Analyzer並行產出數值與視覺證據，Detector彙整為區間、置信度與候選類型，Supervisor輸出分析報告。實驗顯示SAGE在多項基準上取得最佳整體表現並提升診斷可解釋性。
深度分析
雙階段大型語言模型驗證框架：提升 XAI 說明的可信度與可讀性
研究針對 XAI 說明缺乏準確性與完整性問題，提出雙階段 LLM 框架：解說模型生成自然語言敘述，驗證模型評估忠實度與幻覺風險，並以迭代回饋精進說明。實驗證實此機制能過濾不可靠說明並提升可讀性，預示 XAI 解說可信度將大幅提升。