本文提出了一组可视化工具，以应对现有通用加性模型的不足，并且这些工具可以与各种响应分布一起使用。这些新颖的可视化方式由 mgcViz R 软件包实现，并具有交互式和可扩展性。

Sep, 2018

本文探讨 Generalized Additive Models 的五个高级扩展模型和传统的六个机器学习模型，研究和评估其预测绩效和可解释性，并提出了更多的改进设计建议。

Apr, 2022

通过 GAM Changer 这个开源的互动系统，使用可视化技术使得机器学习领域的数据科学家和领域专家能够轻松地分析、验证、调整他们的广义可加模型，从而消除模型中潜在的不可取的模式。

Dec, 2021

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

该文研究了各种算法在真实和模拟数据集上的表现，发现高特征稀疏性的广义加性模型可能会忽略数据中的模式并对稀有亚族群体不公平，而基于树的广义加性模型在稀疏性、保真度和准确性方面表现最佳，因此值得信赖。

Jun, 2020

本文提出了一种神经广义加性模型（NODE-GAM）和神经广义加性和模型（NODE-GA^2M），这种模型相对于其他集成和深度学习模型而言更具有可解释性，且可以自监督预训练以提高模型准确性。

Jun, 2021

该研究利用神经语言模型提取输入的嵌入，学习嵌入空间中的线性模型来构建最终模型（称为 Emb-GAM），实现了透明的、线性的功能和特征交互，并能很好地泛化到新输入。通过各种自然语言处理数据集的实验，Emb-GAM 在不牺牲可解释性的情况下实现了强大的预测性能。

Sep, 2022

本研究探索了利用 Local Interpretable Model-agnostic Rule-based Explanations for Forecasting（LIMREF）等局部解释框架，解释全球预测模型中的电力需求预测，确保预测精度和可解释性，实现更好的决策制定，同时考虑了包括温度和日历效应在内的外生影响因素。

Feb, 2022

本文介绍了由机器学习、人机交互研究员、医生和数据科学家联合开发的第一个交互式系统 GAM Changer，能够帮助领域专家轻松编辑广义加性模型（GAMs）并修复存在的问题，使其满足其知识和价值观。且该工具易于使用、符合编辑需要，可满足当前工作流程。

Jun, 2022

本文提出了一种新的用于电力负载预测的框架，名为自适应分解可解释性框架（SaDI），通过集成长期趋势、短期趋势和周期建模来捕捉不同组成部分的时间特征，在极端条件下实现更好的预测，外部变量触发损失则用于解决极端事件下的不平衡学习问题，框架中还采用广义可加模型（GAM）进行理解性分析，并在中部中国电力负载和建筑公共能源计量器上进行实验验证，相对于当前先进算法，该框架的预测效果平均提高了 22.14％。

Jun, 2023