KAN (Kolmogorov-Arnold Networks) 是多层感知器 (MLP) 的有前途的替代品，具有更好的准确性和可解释性。它通过边缘上的可学习激活函数和样条函数参数化的权重，提升了在数据拟合和偏微分方程求解中的表现。该项目支持快速的神经尺度法则，并提供良好的可视化工具，便于与人类用户的交互。

GRANDE是一个基于梯度的决策树集成项目，旨在提高模型的准确性和可解释性，适用于多种机器学习任务。

LISA（Learning Interpretable Skill Abstractions）旨在通过强化学习任务来学习可解释的技能抽象，从而提高模型的可解释性。