雙路徑生成框架用於零日詐欺偵測
本文提出雙路徑生成框架，用於銀行零日詐欺的低延遲偵測，平衡即時效能與GDPR可解釋性。使用VAE透過重建誤差進行異常偵測，並以WGAN-GP離線生成合成詐欺情境。Gumbel-Softmax處理離散資料，並以觸發式SHAP提供選擇性解釋。
Search
Tag: #explainable-ai32 results
Neuramancer 籌 €1.7M 推鑑識深度偽造 AI
巴伐利亞新創 Neuramancer 完成 €1.7M 種子前融資，加速深度偽造檢測平臺商業化。初始目標為防保險詐欺。借力歐洲可解釋 AI 優勢競爭。
FAME：神經網路可擴展最小解釋
FAME 提出基於抽象詮釋的神經網路正式抽象最小解釋，可擴展至大型模型同時最小化解釋大小。它使用專用擾動域和 LiRPA 邊界捨棄無關特徵，無需遍歷順序。基準測試顯示優於 VERIX+ 的解釋大小與執行時間。
求解器基證書：可解釋任務規劃
新型方法直接從衛星排程最佳化器衍生解釋，確保完美忠實性。提供拒絕的最小不可行子集、選擇的緊约束，以及假設查詢的反向求解。勝過事後基準在健全性、有效性、穩定性；擴展至200訂單與30顆衛星。
偵測 ReLU 基 RNN 中的不變流形
ICLR2026 新論文提出半解析演算法，用於建構 ReLU 基 RNN 固定點與週期的穩定/不穩定流形。透過揭示吸引盆等動力結構，助於可解釋 AI。對科學 ML 與動力系統重建關鍵。
以計算論證打造評估型 AI
這篇立場論文提出以計算論證作為評估型 AI 的形式化與可計算基礎。評估型 AI 不只提供單一建議，而是呈現相互競爭的假設，以及支持和質疑各選項的證據。
AI 進入企業融資審查現場
AI 開始進入融資審查流程，可能改善企業取得資金時面臨的延遲與其他低效率問題。文章探討 AI 評估如何改變放款方的審查流程，以及企業取得融資所需符合的條件。
LLM系統用於可解釋LPBF缺陷分析
這篇arXiv論文介紹了一個知識驅動的基於LLM的系統，用於雷射粉末床熔融（LPBF）製造中的缺陷診斷與緩解。它整合了包含27種缺陷類型的本體，支持模糊自然語言查詢，並具備多模態影像評估功能。評估顯示巨觀F1分數達0.808，並有實質性評估者間一致性。
學習理論演進以人為本 XAI
這篇立場論文主張將學習理論融入 XAI 生命週期，以推動以學習者為中心的途徑。它強調在模型複雜度增加下，評估、設計與評估 AI 解釋的機會與挑戰。目標是透過以人為本的實務，提升人類主動性並減輕 XAI 風險。
開發者優先想要可解釋的 AI
幾乎所有開發者希望獲得 AI 協助，但要求 AI 解釋其推理過程以驗證輸出。可自治性優先級較低。此洞見來自開發者調查。