本文介绍了一种名为 Supersparse Linear Integer Model 的分类模型，可以用于创建精准、可解释的评分系统，主要应用于医学和犯罪学领域，并通过数值试验表明其较之基于数值的分类模型具有更高的精度和稀疏度。

Jun, 2013

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

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

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

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

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

本文采用高维回归问题的解析解取代计算开销大的 SLIM 方法，通过重新缩放处理 item-popularities 偏差，得到了稀疏解的性质，并且在三个公共数据集的实验中，相对于 SLIM 在准确度和训练时间上均有显著提高，同时在高度个性化推荐方面，还优于多种最新的非线性自动编码器等模型。

Apr, 2019

本文介绍了一种新的高维非参数回归和分类方法 —— 稀疏加性模型（SpAM）。该方法将稀疏线性建模和加性非参数回归的思想结合起来，可以处理样本量小于协变量数的情况，并且能够使用任意非参数平滑器。实验结果证明，该方法能够有效地拟合高维数据中的稀疏非参数模型。

Nov, 2007

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

提出了基于 alpha-entmax 变换的稀疏序列到序列模型，能产生稀疏的对齐和分配概率到一组合理的输出，这在形态学变化和机器翻译的实验中展现了比密集模型更好的表现。

May, 2019