shap

本研究引入 SHAP-RTL，一个渲染层，用于校正针对右到左语言的 SHAP 和 LIME 解释可视化，解决标记序列和文本塑形等问题，同时保留原始归因值。

论文提出了一种新的机器学习解释评估方法，通过将解释转换为预测器并测试其重现模型预测的能力。研究表明，像SHAP和PDP这样的解释方法的有效性取决于数据中特征的独立性。

本文提出一个可解释的机器学习框架，利用SHAP分析来预测和分析美国人口普查区级别的宽带采用差异，识别收入和教育等关键因素以指导政策目标。

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。

本文展示了高验证精度如何可能隐藏AI模型中的代理偏差，并使用SHAP进行可解释性分析，以及通过运行时治理包装器执行公平性政策，防止生产环境中的偏差决策。

本文构建了一个用于信用风险评分的多尺度堆叠集成，并对LLM生成的解释进行了审计，发现排名提升虽然真实但幅度较小，而叙述性解释往往不忠实，SHAP和LIME在重要特征上一致，但在特征顺序或符号上不一致。

本文使用美国地质调查局（USGS）流域尺度数据，系统评估了包括TabPFN基础模型在内的15种机器学习模型在野火后泥石流预测中的表现，发现TabPFN取得了最佳性能（威胁评分为0.637），并且合成数据增强能改善大多数模型的性能。

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.

一篇arXiv论文提出了一个使用SHAP分析预测沥青混凝土劈裂强度的可解释机器学习框架，比较了六种模型，其中TabPFN表现最佳。

本文提出了一种基于BERT的Mpox研究文章自动化多标签分类系统，准确率达到97%，并采用SHAP进行可解释性分析。该系统旨在帮助研究人员和医疗工作者快速找到相关信息。

本文提出基于SHAP加权的跨模态专家融合（XGAF）用于情感与情绪识别，证明在MELD和CMU-MOSEI数据集上，sum-abs SHAP聚合达到了早期融合级别的性能。

本文对AI可解释性进行了系统全面的综述，介绍了其需求（调试、合规、安全）、经典方法和前沿挑战，强调了忠实的解释比看起来合理的解释更重要。

本文提出一个多阶段可解释框架，结合基于SHAP的词元归因、理论指导的语言特征以及LLaMA-3.1-70B-Instruct大语言模型推理，用于解释基于Transformer的语音模型在认知障碍检测中的表现，取得了良好的临床一致性及高可用性评分。

本文应用可解释人工智能技术（SHAP、SSHAP）于深度神经网络模型，分析39个欧洲竞价区域的电价驱动因素，发现尽管太阳能发电份额较低，但太阳能与天然气价格仍是关键驱动因素。

本文研究机器学习模型能否在预测美元/加元汇率方面击败随机游走基准，发现只有线性回归在统计上优于朴素模型，SHAP分析显示短期滞后项主导预测。

本文提出一个用于基于量规评分的句子级可解释性框架，比较了SHAP和LLM生成的理由。研究发现，微调预训练语言模型在预测准确性上优于LLM，且SHAP提供了更忠实和可迁移的解释。

本研究利用ADNI数据集中的八项临床生物标志物，构建了一个结合SHAP可解释性的XGBoost分类器，实现对阿尔茨海默病的三分类检测（认知正常、轻度认知障碍、AD），在留出测试集上达到宏观AUC 0.982、Cohen's kappa 0.909。SHAP分析表明，CDR整体评分是认知正常和轻度认知障碍的主导预测因子，而CDR-SB与MMSE共同驱动了AD的分类判别。

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。