我们提出了一种交互式 GAM 模型，它不仅具有解释性，还可以结合电力行业的特定领域知识，提高性能。这种基于提升的 GAM 利用分段线性函数，并通过我们高效的算法进行学习。在公共基准和电力数据集中，我们的交互式 GAM 优于当前最先进的方法，并在极端天气事件的情况下表现出良好的泛化能力。我们还推出了一个用户友好的基于交互式 GAM 的网络工具，并将其整合到我们的 eForecaster 产品中，这是一个统一的电力预测 AI 平台。

Oct, 2023

本研究聚焦于解释全球范围内，年度时间数据的变化，旨在识别导致这些时间转变的关键因素。我们利用局部可解释的模型不可知解释（LIME）来阐明国家幸福指数、经济自由和人口统计指标，并跨越不同时间段。通过三种填充方法来处理缺失值，我们生成了适用于 LIME 输入要求的稳健多变量时间序列数据集。通过一系列涉及多个数据集的实证评估，我们证实了我们的方法的有效性。这些评估包括与随机特征选择的比较分析，通过 LIME 阐述的与现实世界事件的相关性，以及使用个体条件期望（ICE）图进行验证，这是一种在特征重要性检测方面精通的先进技术。

Apr, 2024

解释黑盒机器学习模型的预测的方法 LIME 存在随机种子不稳定和局部准确率低的问题，通过引入增强框架 GLIME 解决了这些挑战，提供了相对稳定且拥有更高局部准确率的解释。

Nov, 2023

本篇论文介绍了一种名为 TS-MULE 的局部代理模型解释方法，它是针对时间序列的，利用扩展的 LIME 方法，为具有黑匣子模型的时间序列提供了解释。在扩展版本中，这篇论文展示了通过使用不同的时间序列分段方法来提高代理归因的质量的六种采样分割方法，并在三种深度学习模型体系结构和三种常见的多变量时间序列数据集上展示了其性能。

Sep, 2021

提出了一种称为 LIMASE 的局部可解释模型无关 Shap 说明法，该方法使用 Shapley 值来解释任何模型的预测，提供局部和全局可解释的解释，解决子模块优化问题，为地区解释带来见解，并在与内核解释器相比计算更快。

Oct, 2022

本研究提出了一种名为 GALE 的机器学习模型，旨在提供有关模型全局决策过程的洞见。结果表明，聚合方法的选择很重要，我们的提出的聚合方法能更好地代表特征如何影响模型的预测，并通过识别区分性特征提供全局洞见。

Jul, 2019

MAPLE 是一种新颖的模型解释系统，使用局部线性建模技术和随机森林的双重解释，提供黑盒解释，并兼具高精度的预测模型和优越的局部解释能力。

Jul, 2018

本研究探讨使用基于深度学习的模型（REDF）来预测能源需求，以提高可再生能源的整合，并与 Facebook Prophet 和支持向量回归等算法进行了比较，结果表明 REDF 模型能以 1.4% 的平均绝对误差准确预测能源需求。

Apr, 2023

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

本文提出一种算法框架 bLIMEy，用于构建定制的本地替代解释器，其中包括 LIME，该框架独立且可互操作，并讨论了组件选择对结果解释器功能能力的影响。

Oct, 2019