EVENT DOSSIER
2026 年 9 月，研究人员提出一种名为 SMILE 的自解释多模态信息瓶颈方法，旨在解决医疗诊断中的可解释性问题。该方法在信息瓶颈框架下构建统一学习范式，通过识别各模态中对诊断最具贡献的信息元素，联合优化预测性能与模态特异性可解释性。研究采用基于矩阵的 Renyi's α-阶熵函数实现稳定优化，并在涵盖异构模态的代表性医疗数据集上进行广泛实验。结果显示，该方法在 iCTCF 数据集上的绝对准确率提升了 9.1 个百分点，同时提供了透明且模态感知的特征相关性洞察，显著增强了诊断的可解释性与泛化能力。
本文提出一种名为 SMILE 的自解释多模态信息瓶颈方法，用于解决医疗诊断中的可解释性难题。该方法在信息瓶颈框架下构建统一学习范式，通过识别各模态中最具信息量的元素来联合优化预测性能与模态特异性可解释性。研究采用基于矩阵的 Renyi's…
本文提出一种名为 SMILE 的自解释多模态信息瓶颈方法，用于解决医疗诊断中的可解释性问题。该方法在信息瓶颈框架下构建统一学习范式，通过识别各模态中对诊断决策最具贡献的信息元素，联合优化预测性能与模态特定可解释性。研究采用基于矩阵的 Re…
本文提出一种名为 SMILE 的自解释多模态信息瓶颈方法，用于解决医疗诊断中的可解释性难题。该方法在信息瓶颈框架下构建统一学习范式，通过识别各模态中最具信息量的元素来联合优化预测性能与模态特异性可解释性。研究采用基于矩阵的 Renyi's $α$-order 熵函数实现稳定优化，并在涵盖异构模态的代表性医疗数据集上进行了广泛实验。结果显示，该方法在 iCTCF 数据集上的绝对准确率提升了 9.1 个百分点，同时提供了透明且模态感知的特征相关性洞察，有效增强了诊断的可解释性与泛化能力。
本文提出一种名为 SMILE 的自解释多模态信息瓶颈方法，用于解决医疗诊断中的可解释性问题。该方法在信息瓶颈框架下构建统一学习范式，通过识别各模态中对诊断决策最具贡献的信息元素，联合优化预测性能与模态特定可解释性。研究采用基于矩阵的 Renyi's $\alpha$-阶熵函数实现稳定优化，并在涵盖异构模态的代表性医疗数据集上进行了广泛实验。结果显示，该方法在 iCTCF 数据集上的绝对准确率提升了 9.1 个百分点，同时提供了透明且模态感知的特征相关性洞察，显著增强了诊断的可解释性与泛化能力。