- CAT: 可解释的基于概念的 Taylor 叠加模型
CAT 是一种新颖的可解释的基于概念的 Taylor 加性模型，通过将输入特征简单地归类为广泛的组别，无需领域专家标注概念和其真实值，从而在多个基准测试中证明了其超过或与基准方法竞争的性能，同时减少对大量模型参数的需求，并能够通过人类可以理 - 基于概念的 CT 图像肺结节恶性评分的可解释性研究
提出了一种基于广义可加模型和概念学习的可解释模型，以增加用于评估肺结节恶性程度的现代计算机辅助诊断系统的透明度。该模型在确定恶性程度回归得分之外，检测了一组临床上显著的属性，并学习了肺结节属性与最终诊断决策以及其对决策的贡献之间的关联。通过 - 形状算术表达式：推动科学发现超越闭合形式方程
通过融合广义可加模型和数学表达式中复杂的特征交互，我们提出了一种新型模型类别：形状算术表达式（SHAREs）。SHAREs 不仅将 GAM 的灵活形状函数与数学表达式中的复杂特征交互结合起来，还为这两种方法提供了一个统一的框架，并通过一组构 - AAAI使用 LLMs 和可解释模型的数据科学
大规模语言模型与可解释模型（Interpretable Models）能够相互配合，LLMs 能够描述、解释和调试广义可加模型（Generalized Additive Models），结合 GAMs 描述的统计模式，使得数据集概述、问题回 - KDD区域可加性模型：最小化特征相互作用的可解释性设计模型
Regionally Additive Models (RAMs) 是一种新型的可解释设计模型，能够在捕获多个特征之间的交互项的同时，保持可解释性。通过在特征空间中确定减少交互的子区域，并为每个识别出的子区域拟合一个 GAM 成分，RAMs - 曲率惩罚在可微广义加性模型中的应用
本文讨论了广义加性模型的可解释性以及在 feature 之间出现相互作用时的问题，并提出了一种简单而有效的正则化方法以减少相互作用的影响和提升特征重要性的可解释度。
- 理解和探索一整套好的稀疏广义可加模型
本文提出一种方法，以高效准确地近似表示稀疏广义加性模型中的 Rashomon set, 并使用这个集合作为解决实际挑战的基础，例如查找符合用户指定限制的模型，研究变量重要性，调查形状函数的突变等。
- Emb-GAM：使用预训练语言模型的可解释和高效预测器
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 - KDD可解释性，然后呢？通过编辑机器学习模型来反映人类的知识和价值观
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 - 通过多项式实现可扩展的可解释性
提出了一种新的分类 GAMs 的方法，称为 Scalable Polynomial Additive Models (SPAM)，通过多项式的张量秩分解来实现高阶特征交互，同时保证模型的可解释性和易扩展性，大幅度地优于现有的可解释方案，并在 - 神经加性模型用于实时预测
应用神经加法模型 (NAMs) 研究多变量预测问题，使用广义加法模型为每个输入变量提供解释性并且能够成功地对多元时间序列数据进行预测。
- AAAI基于树结构加性模型的高维贝叶斯优化
本文提出了一种基于广义加性模型 (GAM) 的 Bayesian Optimization (BO) 方法来解决高维优化问题，该方法采用树形结构的依赖图来优化加速计算，同时保留现有方法的样本效率，相比于通过 Gibbs 采样和变异的混合图算 - KDD广义相加模型（GAMs）的可解释性和信任度如何？
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。
- 使用功能 ANOVA 净化交互作用：一种恢复可识别加性模型的高效算法
为解决特征交互作用估计中存在的可辨认性问题，文章提出了纯交互作用的定义，通过提出一种快速、准确的算法，将任何分段常数函数转换为纯粹的、标准化的表示法，结果表明这种算法可以应用到基于多个数据集进行交互式广义可加模型训练的各个领域。
- KDD多类加性模型的公理可解释性
本文首先将一种基于提升树的最先进 GAMs 学习算法推广到多类别情况，并证明该算法优于现有的 GAMs 学习算法和全复杂度模型，其次，针对多类别情况下 GAMs 易于出现的错误推断，本文提出了 Additive Post-Processin - 现代广义加性模型的可扩展可视化方法
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。
- 高斯过程建模的可加核函数
本文介绍了一种将加性模型与高斯过程相结合的方法，并提出了一种用于数据驱动参数估计的简明数值方法。通过休息技术，本方法在 Sobol's g-function 中的表现效果优于其他方法。