速報
以神經網路驗證計算精確 SHAP：可證明的上下界演算法
背景：SHAP被視為對神經網路計算不可行，因為特徵組合呈指數級。方法：該研究運用最新神經網路驗證技術，逐步求得任意緊的SHAP下界與上界，最終還原精確值。結果：該法能處理遠大於既有精確方法的搜尋空間，並為大型特徵空間上的近似法提供量化檢驗基準。
SHAP
深度分析
BOHM — 以路由權重建構多層級歸因樹，評估複合 AI 系統的信任分布
隨著 AI 系統愈來愈仰賴多階層路由與工具調度，傳統以 Shapley 為基礎的歸因方法面臨成本與可評估性的限制。BOHM（Byproduct-of-Hierarchy Method）提出以系統已維護的路由權重直接建構層級歸因樹：葉節點以根到葉路徑權重乘積表徵信任分配，且在每個深度同時給出多解析度的分解。
深度分析
以 SHAP 分析強化學習配置對 Sim2Real 泛化影響
本文提出以 SHAP（Shapley 解釋值）為核心的框架，量化強化學習（RL）中演算法與超參數對跨物理引擎泛化差距的貢獻。透過大量配置抽樣與雙向 MuJoCo↔PyBullet 遷移實驗，作者建立理論基礎，解析不同演算法與參數的影響模式，並以 SHAP 導向選取更健壯的設定來降低泛化差距。
深度分析
NEURON：以 SNOMED‑CT 本體嵌入與 RAG‑LLM 強化臨床可解釋性與預測
面對臨床 AI 常見的黑盒問題，NEURON 提出一套神經符號化框架，將 SNOMED CT 本體結構與表格特徵、Node2Vec／TF‑IDF 本體嵌入、以及 SHAP 歸因整合到預測流程中，並以 RAG（檢索增強生成）接地的大型語言模型生成人性化的病患情境化敘事。
C-SHAP
C-SHAP：以概念層級強化時間序列模型的可解釋性
時間序列在能源、醫療與產業等場域被廣泛應用，但既有的可解釋性方法多半以單點或子序列為單位，難以反映模型可能依賴的高階模式。本文提出 C-SHAP，將 SHAP 的歸因單位從低階特徵替換為「概念」，並示範以時間序列分解構造趨勢、週期等概念，再以黑盒能源消費預測案例驗證方法可行性。