标签
一篇 arXiv 论文将薪资欺诈检测建模为合成人力资源（HR）/企业资源规划（ERP）图上的归纳式链接预测任务，对比了分析师规则、路径特征和图神经网络（GNN）。基于链式连接特征的梯度提升模型在链接预测平均精确率（AP）上优于 GraIL 风格的 GNN，而在标识符连接失效时，关系实体 GNN 表现最佳，这表明多跳带来的性能提升并非 GNN 所独有。
一篇提出 AI 驱动、时序感知的芯片后布线功耗优化框架的论文，使用梯度提升模型集成对功耗修复编辑和修复动作进行排序，同时由确定性 EDA 分析把关约束。论文给出契约与预注册评估协议，但尚未报告训练模型的结果。
该 arXiv 论文将 SEC 财务数据与 EPA 温室气体登记数据相结合，运用梯度提升（Gradient Boosting）和 Mondrian Conformal Prediction 构建企业排放的算法基准，并通过 Conformal-Weighted Continuous Divergence（CWCD）指标量化漂绿行为。研究发现，排放数据的偏离程度会对市场估值和盈利能力产生显著的负向预测作用。
Microsoft Research 的研究人员开发了一套端到端机器学习流程，可在空间天气事件发生前 30–60 分钟预测地磁感应电流对美国 66,935 座变电站的风险。该系统融合了太阳风预报（AE/Dst 指数）、物理信息约束以及局部地质电导率数据。在评估阶段，该系统检测到了近 80% 的重大事件。
来自Allora Foundation和Liverpool John Moores University的研究人员提出了CZAR（Composite Zero-Agnostic Return，复合零无关收益）损失——一种凸的、非对称的、分段二次目标函数，专为金融对数收益预测而设计，可防止模型退化为全零预测行为。他们使用LightGBM在BTC日内收益数据上验证了该方法，结果表明方向预测精度得到了提升。
CRISP 是一种用于不平衡表格学习的可扩展核心集方法，它能高效减小数据集规模，同时在欺诈检测等任务中保持高准确性。
本文介绍了一种利用GIS衍生的建成环境特征估计行人流量的机器学习框架，通过梯度提升和特征选择，实现了比传统负二项广义线性模型更好的准确性。
本文介绍了一个将可解释AI集成到CRM系统中用于电信客户流失预测的框架，通过基准测试分类器并利用SHAP和LIME进行可解释预测，以增强客户保留策略。
本文研究了XGBoost在回归任务中对异常值的敏感性，并引入了基于M-、S-和τ-估计器的鲁棒损失函数，提出了MM-XGBoost以在鲁棒性和预测精度之间实现更好的权衡。
The paper investigates whether guideline-based categorical encodings of continuous predictors can replace continuous inputs in stroke outcome prediction models without sacrificing accuracy, finding comparable performance in most treatment cohorts.
path_boost是一个实现PathBoost的Python包，PathBoost是一种用于可解释图级别预测的梯度提升算法。它能自动发现图中具有预测性的带标签路径，支持回归和二元分类，并与scikit-learn兼容。
一位Kaggle Grandmaster正在提供一门免费课程，涵盖整个机器学习流程，包括EDA、决策树、梯度提升、特征工程、时间序列和竞赛策略。
本文通过分析早期解码动态，研究了激活引导在LLM上何时成功或失败。作者引入了ASTEER，这是一个包含大量引导生成结果的大型测试平台，并训练了一个GBDT分类器，通过早期隐藏状态预测引导结果，从而实现高效的引导强度搜索。
本文介绍了LiverRisk，一个用于NAFLD风险预测的机器学习框架，它结合了梯度提升决策树和一致性预测，为个体风险评估提供校准后的无分布覆盖保证，在内部和外部队列上均实现了高AUROC。
本文介绍了一种方法，利用梯度提升决策树（GBDT）分类器，从早期解码状态预测语言模型中激活引导的有效性，从而无需完整生成即可高效优化引导强度。
本文提出了一种混合架构，将FT-Transformer与梯度提升树通过校准感知的堆叠方法相结合，用于结构化表格数据上的客户流失预测。在一个公开的银行客户流失数据集上，该方法在F1和AUC-ROC指标上取得了改进。
Flyback 的一篇博客文章展示了，一个在重要性排名第一的 LightGBM 特征实际上因为目标编码泄露导致预测效果变差，这凸显了仅依赖特征重要性指标的危害。
本文介绍了 PathBoost，这是一种用于图级预测的梯度树提升方法，它使用基于路径的特征与图神经网络竞争，同时提供更好的可解释性。