MOLPAQ é um novo gerador modular quântico-clássico que cria moléculas interpretáveis a partir de patches latentes gerados quanticamente, alcançando 100% de validade RDKit e alta novidade e diversidade. Esta abordagem melhora significativamente o controle de propriedades como QED e a incidência de motivos aromáticos em comparação com geradores clássicos.
Modelos de Visão-Linguagem (VLMs) podem apresentar falhas catastróficas em cenários reais, apesar de suas amplas capacidades de raciocínio. REVELIO é um framework que identifica modos de falha interpretáveis em VLMs, combinando busca em feixe consciente da diversidade e amostragem de Thompson com processo gaussiano para mapear o cenário de falhas.
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.
Este artigo propõe um novo método chamado teste de necessidade de previsão para a descoberta causal interpretável em modelos de séries temporais não lineares. Ele visa ir além dos coeficientes tradicionais para entender melhor as relações causais complexas.