A wide variety of model explanation approaches have been proposed in recent years, all guided by very different rationales and heuristics. In this paper, we take a new route and cast interpretability as a statistical inference problem. We propose a general deep probabilistic model designed to produce interpretable predictions. The model parameters can be learned via maximum likelihood, and the method can be adapted to any predictor network architecture and any type of prediction problem. Our method is a case of amortized interpretability models, where a neural network is used as a selector to allow for fast interpretation at inference time. Several popular interpretability methods are shown to be particular cases of regularised maximum likelihood for our general model. We propose new datasets with ground truth selection which allow for the evaluation of the features importance map. Using these datasets, we show experimentally that using multiple imputation provides more reasonable interpretations.

在数据处理和机器学习中，一个重要的挑战是恢复和利用可以准确表示数据的模型。我们考虑从数据集中恢复高斯混合模型的问题。我们研究了解决此问题的对称张量分解方法，其中张量是根据数据分布的经验矩构建的。我们考虑具有独特分解的可识别张量，表明由球形高斯混合物构建的时刻张量具有此属性。我们证明，插值度的对称张量严格少于其订单的一半是可识别的，并且我们基于简单的线性代数操作提出了一种算法，以计算其分解。说明性实验表明，与其他最先进的方法相比，张量分解方法对恢复高斯混合物的影响。

具有提供商端公平关注的公平意识的推荐系统寻求确保受保护的提供者有公平的机会来推广其物品或产品。当实施这种解决方案时，互动的消费者端将``公平成本''承担的``公平成本''。这种消费者端成本提出了自己的公平问题，尤其是当使用个性化来控制公平限制的影响时。在采用个性化方法来实现公平目标时，研究人员可能会为用户的战略行为开放系统。在``Bossiness''的术语下的计算社会选择文献中已经研究了这种激励措施。担心的是，专横的用户可能能够将公平成本转移给他人，改善自己的结果并为他人恶化。该立场论文介绍了保障的概念，显示了其在公平意识的建议中的应用，并讨论了减少这种战略激励措施的策略。

类比是形式的4-元素关系“ a a to b to b as c ins d d d d”。虽然重点主要是在如何解决一个类比的方式上，即如何找到给定的A，B和C的正确值，但对解决此类类比是否可行的关注减少了。在本文中，我们建议对源案例（a和b）的可传递性解决目标问题C进行定量。此量化基于一个复杂性最小化原理，该原理已被证明可以有效地解决类比。我们说明了这些关于形态类似物的概念，并显示了它与机器学习的联系，尤其是无监督的域适应性。

象征性回归，即预测从观察其值观察的功能，是一个具有挑战性的任务。在本文中，我们训练变压器来推断整数或浮点数序列的功能或复发关系，人类智商测试中的典型任务几乎不受机器学习文学。我们在OEIS序列子集上评估我们的整数模型，并表明它占据了内置数学函数的复发预测。我们还证明我们的浮动模型能够产生非词汇功能和常量的信息近似，例如，$ \ operatorname {bessel0}（x）\ intem \ frac {\ sin（x）+ \ cos（x）} $和$ 1.644934 \ atthe \ pi ^ 2/6 $。我们模型的互动演示是在HTTPS://bit.ly/3nie5fs提供的。

类比比例是形式“A的陈述，如C为D”。它们构成了一个推理工具，提供了一个逻辑框架来解决学习，转移和解释性问题，并且在人工智能和自然语言处理中找到有用的应用。在本文中，我们解决了两个问题，即类别，在形态学中的类比检测和分辨率。多种象征方法解决形态学的类比问题，实现竞争性能。我们表明可以使用数据驱动的策略来胜过这些模型。我们提出了一种利用深度学习来检测和解决形态类别的方法。它编码了类似实物比例的结构性，并依赖于专门设计的嵌入模型捕获词语的形态特征。我们展示了模型对多种语言的类比检测和分辨率的竞争性能。我们提供了分析平衡培训数据的影响，并评估我们对输入扰动的鲁棒性的影响。