应用神经加法模型 (NAMs) 研究多变量预测问题，使用广义加法模型为每个输入变量提供解释性并且能够成功地对多元时间序列数据进行预测。

May, 2022

神经外包模型（NAMs）的发展标志着可解释的深度学习在表格数据集上的重要进展，我们提出了一种新的 NAMs 子类 —— 通过随机傅立叶特征的高斯过程的单层神经网络结构，称为高斯处理神经外加模型（GP-NAM），它具有凸优化函数和可训练参数数量与特征维度成线性关系的优势，并证明了它在多个表格数据集上实现了与更深层次 NAM 方法相当甚至更好的性能。

Feb, 2024

本文从贝叶斯角度探讨神经相加模型，并开发了实用的拉普拉斯近似方法。研究结果表明，使用该方法得到的神经相加模型可以提高表格回归和分类数据集以及现实世界医学任务的性能和解释性。

May, 2023

通过引入层次神经加法模型（HNAM），本研究解决了机器学习预测方法准确性高但解释性差的问题。HNAM 是一种针对时间序列的加法模型，允许根据用户指定的交互层次来进行协变量交互。通过对真实世界的零售数据进行广泛评估并与其他最先进的机器学习和统计模型进行比较，实验结果表明，HNAM 不仅具备竞争性的预测性能，还能提供可信的解释。

Apr, 2024

本文提出了神经属性机（NAM），并研究了其在生成结构复杂的序列方面的效果。NAM 利用逻辑机器表示潜在的语法，并通过优化定制损失函数来教导神经机器语法的约束条件，相比仅从语法样本中训练的传统 RNN，在生成时违规约束条件的情况更少。

May, 2017

本文提出了名为神经关联模型（NAM）的新深度学习方法，旨在用于人工智能中的概率推理。作者研究了两种 NAM 结构，即深度神经网络（DNN）和关系调制神经网络（RMNN），并在多个概率推理任务中证明了它们的有效性，包括识别文本蕴含，多关系知识库中的三元分类和常识推理。实验结果表明，这些模型可以显著优于传统的方法，并证明了它们在解决具有挑战性的 Winograd 模式（WS）问题方面的潜力。

Mar, 2016

本文提出了一种神经广义加性模型（NODE-GAM）和神经广义加性和模型（NODE-GA^2M），这种模型相对于其他集成和深度学习模型而言更具有可解释性，且可以自监督预训练以提高模型准确性。

Jun, 2021

本文介绍了可解释化神经网络 (Explainable Neural Network，xNN)，它是一种结构化的神经网络，设计特别用于学习可解释的特征。与全连接神经网络不同，xNN 工程化的特征可以相对简单地从网络中提取出来并展示。同时，在适当的正则化下，xNN 提供了关于特征和输出之间关系的精炼解释。我们在模拟实例上展示了这种可解释特征工程化的性质。

Jun, 2018

使用自动短答案评分（ASAG）模型可以减轻评分的时间负担，同时鼓励教育者经常在课程中引入开放性问题。然而，目前最先进的 ASAG 模型是大型神经网络（NN），常被描述为 “黑匣子”，对于生成的输出哪些特征是重要的没有解释。为了创建一个强大且可解释的 ASAG 模型，我们尝试使用一种称为神经可添加模型（NAM）的模型类型，将 NN 的性能与可解释性模型的性能结合起来。我们使用学习科学中的知识整合（KI）框架指导特征工程，创建反映学生回答中是否包含某些思想的输入。我们假设指示预定义思想的包含（或排除）作为特征将足以使 NAM 具有良好的预测能力和可解释性，因为这可以指导使用 KI 评分标准的人工评分人员。我们使用相同的特征比较 NAM 和另一个可解释模型逻辑回归的性能，以及不需要特征工程的不可解释的神经模型 DeBERTa。

May, 2024

介绍了一种透明且可解释的机器学习算法，应用于高度监管的金融行业中，能够提供最优准确度和可解释性。

Sep, 2022