interpretable AI

4 items

RESEARCHarXiv CS.LG·4/13/2026

MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation

MOLPAQ ist ein neuartiger modularer quanten-klassischer Generator, der interpretierbare Moleküle aus quantenerzeugten latenten Patches erstellt und dabei 100% RDKit-Validität sowie hohe Neuartigkeit und Diversität erreicht. Dieser Ansatz verbessert die Eigenschaftskontrolle, wie zum Beispiel QED und das Vorkommen aromatischer Motive, im Vergleich zu klassischen Generatoren erheblich.

Quantum Machine Learning Molecular Generation generative models drug discovery

RESEARCHarXiv CS.AI·vor 26T

Revealing Interpretable Failure Modes of VLMs

Vision-Sprach-Modelle (VLMs) können trotz ihrer breiten Schlussfolgerungsfähigkeiten in realen Situationen katastrophale Fehler aufweisen. REVELIO ist ein Framework zur systematischen Aufdeckung interpretierbarer Fehlermodi in VLMs, das eine diversitätssensible Beam-Suche und ein Gaußsches-Prozess-Thompson-Sampling kombiniert, um die Fehlerlandschaft abzubilden.

failure modes AI models VLMs Reliability

RESEARCHarXiv CS.AI·4/6/2026

Interpretable Deep Reinforcement Learning for Element-level Bridge Life-cycle Optimization

O artigo aborda a aplicação de Aprendizado por Reforço Profundo interpretável para a otimização do ciclo de vida de pontes em nível de elemento. Ele busca oferecer transparência e eficiência na gestão da infraestrutura.

Deep Reinforcement Learning Optimization interpretable AI Civil Engineering

RESEARCHarXiv CS.LG·4/22/2026

Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models

Dieser Artikel schlägt eine neue Methode namens „Forecast-Necessity Testing“ für die interpretierbare kausale Entdeckung in nichtlinearen Zeitreihenmodellen vor. Ziel ist es, über traditionelle Koeffizienten hinauszugehen, um komplexe kausale Beziehungen besser zu verstehen.

nonlinear models Causal Discovery interpretable AI Time Series Analysis