针对计算机视觉中的不透明模型解释困难的问题，同时受到科学研究对可解释的模型的需求，该研究提出了将易于解释的 EBM 模型扩展至科学图像领域的方法，并通过 Gabor 小波变换对图像数据进行处理，改进了当前图像可解释性方法。

May, 2023

使用最小绝对收缩与选择算子（LASSO）的简单解决方案可以通过重新加权各个模型项并删除不相关的项来引入稀疏性，从而使易解释的增强机模型在高维度环境中保持透明度和相对较快的评分时间。

Nov, 2023

机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

Aug, 2023

本研究证明在可解释的机器学习模型 Explainable Boosting Machines (EBMs) 中添加差分隐私可以保证隐私同时获得最先进的准确性，同时提供准确的全局和局部可解释性。

Jun, 2021

使用可解释性增强学习机（EBM）进行预测和风险因素的识别，可以改善孕期并发症的预测和预防，提高临床应用的潜力。

Oct, 2023

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

自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

Aug, 2023

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

通过采用创新的人工智能方法（如梯度提升），提出了一种透明度与高准确性相结合的玻璃盒方法，用于风力发电预测，该方法能够有效解释全球和实例角度上的预测结果，并且相比大多数基准模型表现更好且与最佳神经网络模型相当，因此在可靠的风力发电预测中具有强大的竞争优势。

Oct, 2023