本文提出了 DendroMap 这一新方法，可以有效地组织和交互式地探索大规模图像数据集，通过提取高维图像的层次聚类结构，用户可以在不同的抽象层级上对数据集进行总体分布的检查和兴趣区域的交互式缩放以及透视。研究结果表明，DendroMap 可以帮助用户发现数据集和训练模型方面的见解，其效果优于 t-SNE 格子化版本，DendroMap 已经在网站上提供。

May, 2022

通过使用智能猜测策略，我们可以在几个数量级的时间里降低运行时间，提供对最佳决策树误差和表达能力偏差的界限，并在许多情况下快速构建与黑盒模型的匹配精度的稀疏决策树。

Dec, 2021

首次提供了一种完整枚举稀疏决策树中 Rashomon set 的技术，并通过特定的数据结构提供高效的查询和抽样，该技术可以使用户在精度相近的所有模型中实现无前提选择，并展示了三个应用，包括研究变量的重要性、平衡精度和 F1 得分的 Rashomon set 的枚举以及使用完整数据集产生只使用数据子集构建的 Rashomon set。

Sep, 2022

本研究提出了一种不妥协预测准确性的情况下融合解释性的决策制定算法，通过学习迭代二进制子决策的方法，在决策过程中引入了稀疏性和透明度。该模型的关键点在于利用神经网络和消息传递的方式相互学习，来建立决策树，同时将语意意义通过二进制属性的形式赋给每个决策，使其对用户更加精练、语义化和相关。在三个基准图像分类数据集上，包括大规模 ImageNet 数据集，该模型生成了人类可解释的二进制决策序列，解释了网络的预测情况，同时保持了最先进的准确性。

Feb, 2019

通过提出一种决策树优化框架，解决了当前领域中两个开放性问题：不平衡数据处理和连续变量完全优化。此外，我们还介绍了一种可扩展的算法，可以在存在连续变量的情况下产生可证明的最优结果，并相对于现有技术将决策树构建速度提高了数个数量级。

Jun, 2020

解释性对于医生、医院、制药公司和生物技术公司来分析和做出决策具有重要意义，而树状方法作为生存分析中广泛采用的方法之一，具有解释性强和捕捉复杂关系能力的优点，但是现有的大多数方法依赖启发式算法来生成生存树模型，存在产生次优模型的风险，本文提出了一种动态规划和界限方法，可以在几秒内找到证明最优稀疏生存树模型。

Jan, 2024

本研究提出了一种通过模型简化方法（树模型的选择问题），使得复杂的树模型具有可解释性的算法，该算法可以保证预测性能的同时，将复杂的树模型逼近成最简单的表现形式

Jun, 2016

提出了一种用于构建决策树的方法，可以近似复杂机器学习模型的性能，可用于解释和简化随机森林（RFs）和其他模型的预测模式。在医学问卷中，树形结构特别有意义，因为它使问卷自适应地缩短，减轻回答负担。 研究了分裂的渐近行为，并引入了一种改进的分裂方法，旨在稳定树形结构。经实验证明，我们的方法可以同时实现高近似性和稳定性。

Oct, 2016

使用模型树作为替代模型，将特征空间通过决策规则划分为可解释的区域，然后利用基于加性主效应的可解释模型来近似黑盒模型的行为，平衡可解释性和性能，对比了四种模型树算法，最后提供了用户特定的推荐概述。

Oct, 2023

本文提供 inTrees 框架，通过提取、衡量、修剪和选择树集合中的规则，并计算频繁的变量交互来提高树集合的可解释性。inTrees 框架可以应用于分类和回归问题，并适用于多种树集合类型，例如随机森林、正则化随机森林和 Boosted Trees。

Aug, 2014