本文提出了一种新的数据驱动评分系统方法，称为超稀疏线性整数模型 (SLIM)，通过求解一个整数编程问题，直接编码精确度和稀疏度的度量，限制系数为互质整数，且能够无缝地包含一系列相关操作约束，从而能够创造高度定制的模型。

Feb, 2015

这项研究介绍了一种新颖的机器学习方法，用于构建多类别可解释评分系统（MISS），这是一种完全数据驱动的方法，用于生成针对多类别分类问题的单一、稀疏和用户友好的评分系统。评分系统在医疗保健、刑事司法和其他需要预测可解释性和易用性的领域中普遍应用为决策支持模型。我们的方法可以通过 softmax 函数轻松将得分转换为类别概率，并展示了降维和启发式技术来增强训练效率并减小模型的最优间隙。实验证明，我们的方法在各个领域的数据集上经过广泛评估，具有与其他机器学习模型相当的分类性能指标，并提供了良好校准的类别概率。

Jan, 2024

提出了一种基于整数规划的框架，用于构建准确且可解释的离散线性分类模型，该框架具有控制和灵活性，可为特定领域的实践者量身定制准确且可解释的模型。通过数值实验和睡眠呼吸暂停诊断工具的案例研究，展示了该框架的性能和灵活性。

May, 2014

使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

Apr, 2023

该研究探讨了如何创建足够准确、透明、可解释的再犯预测模型以用于决策，使用了流行的机器学习方法来创建沿全 ROC 曲线的模型，并使用 SLIM 方法创建精确、透明、可解释的模型，可用于各种不同的用例，因为它们与最强大的黑盒机器学习模型一样准确，但完全透明和高度可解释。

Mar, 2015

ImplicitSLIM 是一种新颖的无监督学习方法，适用于稀疏高维数据，并应用于协同过滤。

May, 2024

通过机器学习方法中标度、稀疏、整数系数和适应特定应用限制的混合整数非线性规划的切割平面算法来改进现有的风险评分模型，并更好地适应实际应用场景，比传统启发式方法更具优势和实际意义。

Oct, 2016

本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

May, 2022

本研究提出了一系列可解释的机器学习模型，包括使用 Linearised Additive Models 和 SubscaleHedge 算法的 GAMs，并通过对广泛的金融建模数据进行严格的假设检验，表明这些算法在 ROC-AUC 和校准方面没有明显的性能下降。

Nov, 2022

本文提出了高维度结构限制下单指数模型（Single Index Models）的计算有效算法，实验证明该方法相对于广义线性模型和单层前馈神经网络都有更好的预测性能并具有更低的计算成本。

Mar, 2016