shap

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。

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。