xgboost

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。

介绍TreeText-CTS，一种将不规则EHR轨迹转换为紧凑、可溯源树路径证据单元的方法，无需患者级摘要。在三个临床基准测试中，它在基于文本的EHR时间序列接口中实现了最先进的AUROC和AUPRC。

本文研究了针对微调掩码扩散语言模型（MDLMs）的成员推断攻击（MIA）。提出了一种白盒攻击，利用模型在不同掩码比率下的重构损失构建46维特征向量，取得了较高的AUC分数，表明MDLMs的脆弱性超出先前预期。

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。

一篇研究论文，介绍了德国手语（DGS）童话故事情感分析的数据集和基于XGBoost的模型。该模型使用MediaPipe提取的面部和身体运动特征，实现了63.1%的平衡准确率，证明了面部和身体动作在手语情感传达中的重要性。