shap

提出了一种基于验证的算法，用于计算神经网络精确SHAP值的可证明边界，可扩展到比先前精确方法大得多的搜索空间。

本文提出了一种使用CatBoost和SHAP的机器学习框架，通过结合钙组学和心外膜脂肪特征，从CT钙化积分扫描中预测阻塞性冠状动脉疾病，实现了高准确性。

本文证明，在共线性条件下，没有任何特征排名能同时满足忠实性、稳定性和完备性，刻画了完整的归因设计空间，并提供了一个形式化验证的可解释AI不可能性定理。

本研究应用 XGBoost 和 SHAP 分析对 CDC 数据进行处理，以识别导致美国各县芬太尼过量死亡的社会决定因素，重点突出“隐性风险”区域和治疗荒漠，以便尽早进行干预。

本研究提出了一种结合 CatBoost 和 SHAP 的混合预测框架，以识别树木相关交通事故的风险因素，并强调未使用约束装置（如安全带）是导致严重伤害的最关键预测因子。

这篇 arXiv 预印本介绍了 GRALIS，这是一个利用里斯表示定理（Riesz Representation Theory）来形式化和比较 SHAP、LIME 及积分梯度（Integrated Gradients）等线性归因方法的统一数学框架。

一项对比研究，评估了三种可解释性技术（Integrated Gradients、Attention Rollout、SHAP）在微调 DistilBERT 模型上的表现，用于情感分类任务，重点突出了基于梯度、基于注意力和模型无关方法在大语言模型可解释性中的权衡。