SuperMAN: Interpretable and Expressive Networks over Temporally Sparse Heterogeneous Data
Meta；Center of Excellence for Molecular Prediction of IBD (PREDICT)（分子预测IBD中心（PREDICT））；Department of Clinical Medicine, Aalborg University（临床医学系，奥胡斯大学）；Department of Gastroenterology & Hepatology, Aalborg University Hospital（消化内科与肝病科，奥胡斯大学医院）；University of Copenhagen（哥本哈根大学）；Imperial College London（伦敦帝国理工学院）；Department of Biomedical Engineering, Tel-Aviv University（生物医学工程系，特拉维夫大学）；Sagol School of Neuroscience, Tel-Aviv University（神经科学学院，特拉维夫大学）
SuperMAN通过建模时间稀疏异构数据为隐式图集，提供可解释性和表达性，用于医疗诊断和虚假新闻检测等高风险任务。
2026-02-28 cs.LG
An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization
Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学）
本文提出了一种改进的用于交通状况分类的随机森林算法。该过程产生了一种无监督的机器学习方法。该算法生成一个包含相似性度量的邻近矩阵。这个矩阵，然后重新排序与层次聚类，以实现一个图形化的可解释的表示。它显示了如何得到的接近矩阵可以直观地解释，以及如何变化的方法的元参数揭示了不同的见解的数据。所提出的方法是能够聚类数据从任何数据源。为了证明该方法的潜力，本文使用了来自交通模拟的多个功能。交通情景聚类的知识对于加速验证过程至关重要。该方法的思路是场景模板可以从实际的交通情况自动生成。这些模板可用于开发过程的所有阶段。结果证明，该程序是非常适合的交通场景的自动分类。各种其他应用程序可以从这项工作中受益。
2020-04-05 cs.LG eess.SP
A Survey on Heterogeneous Federated Learning
Southern University of Science and Technology（南方科技大学）
联邦学习（FL）是一种保护数据隐私的学习方法，通过组织间的协作训练模型，在不破坏隐私和安全的前提下，虚拟地组装孤立的数据孤岛。然而，外语面临着来自各个方面的异质性，包括数据空间、统计和系统的异质性。例如，没有利益冲突的协作组织通常来自不同的领域，并且具有来自不同特征空间的异构数据。由于非IID和不平衡的数据分布以及各种资源受限的设备，参与者还可能希望训练异构的个性化本地模型。因此，异构FL被提出来解决FL的异构性问题。在这次调查中，我们全面调查领域的异构FL的数据空间，统计，系统和模型的异构性。首先，我们对外语进行了概述，包括其定义和分类。然后，我们提出了一个精确的分类异构外语设置的每一种类型的异质性，根据问题设置和学习目标。我们还研究了迁移学习方法来解决外语中的异质性问题。我们进一步介绍了异质外语的应用。最后，我们强调了挑战和机遇，并展望了未来的研究方向，即新的框架设计和值得信赖的方法。
2022-10-10 cs.LG
A Heterogeneous Mixture of Experts Framework for Interpretable Machine Learning
Indian Statistical Institute（印度统计研究所）；Interdisciplinary Statistical Research Unit, Indian Statistical Institute（印度统计研究所跨学科统计研究单元）
该研究提出异构混合专家框架，将决策树、线性SVM等异构专家与概率门控结合，在保证可解释性的同时，在基准数据集上达到与同构MoDT、随机森林相当的预测性能。
2026-08-26 cs.LG stat.ML
Interpretable MTL from Heterogeneous Domains using Boosted Tree
Ant Financial Services Group（蚂蚁金融服务集团）
多任务学习（MTL）旨在通过利用其中包含的有用信息来提高多个相关任务的泛化性能。然而，在工业场景中，总是要求可解释性，并且不同任务的数据可能在异构域中，使得现有方法不适合或不令人满意。在本文中，遵循提升树的哲学，我们提出了一个两阶段的方法。在第一阶段，建立一个通用模型，使用所有实例的共同特征来学习共性。与传统的boosted tree模型的训练不同，我们提出了一种正则化策略和提前停止机制来优化多任务学习过程。在第二阶段，首先拟合通用模型的残差，然后利用特定任务实例构建特定模型，以进一步提高性能。在基准数据集和真实数据集上的实验验证了该方法的有效性。而且，基于树的方法可以自然地获得可解释性，满足工业需要。
2020-03-16 cs.LG stat.ML
Interpretable (not just posthoc-explainable) heterogeneous survivor bias-corrected treatment effects for assignment of postdischarge interventions to prevent readmissions
Mederrata（梅德拉塔）；National Institutes of Health（美国国立卫生研究院）；University of Vermont（佛蒙特大学）
本研究提出一种可解释的贝叶斯生存分析框架，通过推导并控制幸存者偏差等其他偏差，量化出院后干预对预防再入院或死亡的影响，发现病例管理服务在减少再入院方面效果最显著。
2023-08-04 cs.LG q-bio.QM stat.ME
Heterogeneous Variational Inference for Markov Degradation Hazard Models: Discretized Mixture with Interpretable Clusters
Digital Business Department, Yachiyo Engineering Co., Ltd.（大崎工程有限公司数字商务部）
本文提出一种结合精细状态离散化、特征工程和可解释模型选择的框架，用于解决马尔可夫退化危险模型中的关键瓶颈问题，验证了变分推断在稳定性、收敛性和计算效率上的优势。
2026-04-27 cs.LG
Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs
Medical University of Vienna（维也纳医科大学）；University Mannheim（曼海姆大学）
基于神经嵌入的机器学习模型已经显示出预测生物医学知识图谱中新链接的前景。不幸的是，它们的实际效用由于缺乏可解释性而减少。最近，完全可解释的，基于规则的算法AnyBURL在许多通用链接预测基准测试中产生了极具竞争力的结果。然而，它的适用性复杂的生物医学知识基础上的大规模预测任务是有限的推理时间长，并与聚合预测的多个规则的困难。我们通过引入SAFRAN规则应用框架来改进AnyBURL，该框架通过可扩展的聚类算法聚合规则。在已建立的通用基准FB 15 K-237和大规模生物医学基准OpenBioLink上，赛峰提供了完全可解释的链接预测的最新结果。此外，它超过了FB 15 K-237上多个已建立的基于嵌入的算法的结果，并缩小了OpenBioLink上基于规则和基于嵌入的算法之间的差距。我们还表明，赛峰智能推理系统将推理速度提高了两个数量级。
2020-12-10 cs.AI cs.IR cs.LG
CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series
Tsinghua University（清华大学）
提出CICADA框架，通过混合专家、选择性元学习、自适应扩展和分层注意力四项创新，解决多变量时间序列跨域异常检测中的分布偏移与泛化问题，并在性能和可解释性上超越现有方法。
2025-05-01 cs.LG
Interpretable Models Capable of Handling Systematic Missingness in Imbalanced Classes and Heterogeneous Datasets
University of Groningen（格罗宁根大学）；The University of Birmingham（伯明翰大学）；Utrecht University（乌得勒支大学）；University Medical Centrum Utrecht（乌得勒支大学医学中心）
本文提出一系列基于原型的可解释模型，通过参数流形平均策略结合集成优势，有效应对医学数据中的异构测量、类别不平衡和系统性缺失问题，在保持透明性和低计算成本的同时取得与替代方法相当或更优的性能。
2022-06-04 cs.AI cs.LG
DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions
Texas A&M University（德克萨斯A&M大学）
在本文中，我们提出了一个深度学习模型来预测未来几天COVID-19感染病例的增长范围，并提出了一种新的方法来计算多变量时间序列和多变量空间时间序列数据的等维表示。使用这种新方法，所提出的模型可以吸收大量的异构特征，如人口普查数据，县内流动性，县间流动性，社交距离数据，过去的感染增长等，并学习这些特征之间的复杂相互作用。利用从各种来源收集的数据，我们估计了未来七天美国所有县感染病例的增加幅度。此外，我们使用该模型来识别最有影响力的特征，以预测感染的增长。我们还分析了成对的特征，并估计了它们之间观察到的二阶相互作用的量。实验结果表明，该模型具有良好的预测性能和可解释的特征分析结果，可以作为标准流行病学模型的补充，用于COVID-19等流行病的国家级监测。从深度学习模型获得的结果和发现可能会为决策者和研究人员制定有效的缓解和应对战略提供信息。为了快速跟踪进一步的开发和实验，用于实现所提出的模型的代码已经完全开源。
2020-07-31 cs.CY cs.LG
Interpretable Deep Reinforcement Learning for Optimizing Heterogeneous Energy Storage Systems
East China University of Science and Technology（华东理工大学）；Nantong University（南通大学）；University of New South Wales（新南威尔士大学）；Nanyang Technological University（南洋理工大学）
针对异构PV-ESS的能源套利调度，提出一种基于原型的策略网络，通过人工设计的原型比较情境相似性实现透明决策，克服黑箱模型局限，在四案例中验证了有效性与实用性。
2023-10-20 cs.AI cs.LG
A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
本文提出一种因果规则学习方法，用于可解释性地估计心房间隔缺损的异质治疗效应，通过规则发现、选择和分析步骤提升模型的可解释性与准确性。
2025-11-21 cs.LG stat.ME stat.ML
Interpretable and Efficient Heterogeneous Graph Convolutional Network
Xidian University（西安电子科技大学）；Deakin University（迪肯大学）
图卷积网络（GCN）在学习图中节点的有效任务特定表示方面取得了非凡的成功。然而，对于异构信息网络（HIN），现有的面向HIN的GCN方法仍然存在两个不足：（1）不能灵活地探索所有可能的元路径并提取对目标对象最有用的元路径，这影响了有效性和可解释性;（2）通常需要生成基于中间元路径的稠密图，这导致高计算复杂性。为了解决上述问题，我们提出了一个可解释的和高效的异构图卷积网络（即HGCN）来学习对象的表示在HIN。它被设计为分层聚合架构，即，首先是对象级聚合，然后是类型级聚合。新的架构可以自动提取有用的元路径为每个对象从所有可能的元路径（在一定的长度限制），这带来了良好的模型解释性。它还可以通过避免中间HIN变换和邻域注意来降低计算成本。我们提供了理论分析的建议ie-HGCN在评估所有可能的元路径的有用性，其连接到谱图卷积的HIN，其准线性时间复杂度。在三个真实网络数据集上的大量实验证明了ie-HGCN的优越性。
2021-09-08 cs.LG cs.SI stat.ML
Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects
Dublin International College Beijing University of Technology（北京理工大学 Dublin 国际学院）
针对基于树的因果推理技术在观测数据中估计误差高的问题，提出动态正则化因果提升决策树（CBDT）框架，通过整合方差正则化与平均处理效应校准、动态更新正则化参数，显著提升估计精度并保持可解释性。
2025-04-18 cs.LG stat.ML
Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes
Carnegie Mellon（卡内基梅隆大学）
涉及随机化实验以及观察性数据的研究通常涉及至事件结局的时间，例如至失败、死亡或不良状况发生的时间。由于失访，这些结局通常会被删失，并且既定的统计实践涉及比较治疗组和对照组之间的风险比方面的治疗疗效。在本文中，我们提出了一种统计方法来恢复稀疏表型（或亚型），表现出差异处理效应相比，研究人群。我们的方法包括将数据建模为混合物，同时通过结构化稀疏正则化来执行参数收缩。我们提出了一种新的推理程序所提出的模型，并证明其在恢复稀疏表型在心血管健康的大型标志性现实世界的临床研究的有效性。
2023-02-24 cs.LG stat.ME stat.ML
Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations
Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；School of Medicine and Health, TUM University Hospital（医学与健康学院，塔尔博恩大学医院）；School of Computation, Information and Technology, TUM（计算、信息与技术学院，塔尔博恩大学）；Weill Cornell Medicine, Cornell University, New York City（韦尔·科恩医学中心，康奈尔大学，纽约市）
提出一种基于生物学信息异构图表征的方法，将OCTA图像中的视网膜结构建模为图，用于糖尿病视网膜病变分期，在保持高准确率（AUC-ROC 84%）的同时提供详细可解释的异常血管定位。
2026-09-17 cs.CV cs.LG
NN-Copula-CD: A Copula-Guided Interpretable Neural Network for Change Detection in Heterogeneous Remote Sensing Images
Tsinghua University（清华大学）；The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Syracuse University（雪城大学）
针对异质遥感图像变化检测中深度神经网络可解释性不足的问题，提出以 copula 数学特性作为损失约束的 NN-Copula-CD，并在三个数据集上验证其有效性。
2024-09-19 cs.CV cs.LG eess.IV
GalaxAI: Machine learning toolbox for interpretable analysis of spacecraft telemetry data
Bias Variance Labs（Bias Variance实验室）；Jožef Stefan Institute（约泽夫·斯蒂芬研究所）；LSE Space GmbH（LSE航天有限公司）；ESOC, European Space Agency（欧洲空间局欧洲空间运行中心）；Solenix Engineering（Solenix工程公司）；University of Cambridge（剑桥大学）
我们介绍GalaxAI -一个多功能的机器学习工具箱，用于航天器遥测数据的高效和可解释的端到端分析。GalaxAI采用各种机器学习算法进行多变量时间序列分析、分类、回归和结构化输出预测，能够处理高吞吐量的异构数据。这些方法允许构建鲁棒和准确的预测模型，这些模型又被应用于航天器监测和操作规划的不同任务。更重要的是，除了精确构建模型外，GalaxAI还实现了可视化层，为任务专家和操作员提供了数据分析过程的完整，详细和可解释的视图。我们展示了GalaxAI在两个不同航天器的两个用例上的实用性和多功能性：i）火星快车热功耗的分析和规划，ii）预测INTEGRAL穿过范艾伦带的交叉点。
2021-08-09 cs.LG
DeepHAM: A Global Solution Method for Heterogeneous Agent Models with Aggregate Shocks
Flatiron Institute（弗莱提荣研究所）；Princeton University（普林斯顿大学）；Peking University（北京大学）
提出了一种高效、可靠、可解释的全局求解方法--基于深度学习的异构智能体模型算法（DeepHAM），用于求解具有聚集冲击的高维异构智能体模型。状态分布近似表示为一组最优广义矩。深度神经网络用于近似值和政策函数，并在直接模拟的路径上优化目标。除了是一个精确的全局求解器之外，该方法还有三个额外的功能。首先，它是计算效率在解决复杂的异构代理模型，它不会受到灾难的维度。第二，它提供了一个一般的和可解释的代表性的分布在个别国家，这是至关重要的，在解决经典问题的异质性是否以及如何在宏观经济学的问题。第三，它解决了约束效率问题，因为它解决了竞争均衡，这开辟了新的可能性，研究最优的货币和财政政策在异质代理模型的总冲击。
2022-02-21 cs.LG econ.GN q-fin.EC
Explainable Mixed Data Representation and Lossless Visualization Toolkit for Knowledge Discovery
Central Washington University（中央华盛顿大学）
针对异构/混合数据开发机器学习（ML）算法是一个长期存在的问题。许多ML算法不适用于混合数据，包括数值和非数值数据，文本，图形等，以生成可解释的模型。另一个长期存在的问题是开发多维混合数据的无损可视化算法。ML的进一步发展在很大程度上取决于混合数据的成功可解释ML算法和多维数据的无损可解释可视化。后者允许最终用户使用可视化知识发现来开发可解释的ML模型，最终用户可以带来训练数据中缺少的有价值的领域知识。混合数据的挑战包括：（1）为数值ML算法的非数值属性生成数值编码方案，以提供准确和可解释的ML模型，（2）生成n-D非数值数据的无损可视化方法和这些可视化中的可视化规则发现。本文对混合数据类型进行了分类，分析了它们在机器学习中的重要性，并给出了开发的处理混合数据的实验工具包。它结合了数据类型编辑器，VisCanvas数据可视化和GitHub上的规则发现系统。
2022-06-13 cs.LG
Graph Vector Field: A Unified Framework for Multimodal Health Risk Assessment from Heterogeneous Wearable and Environmental Data Streams
Università degli Studi Guglielmo Marconi, Roma, Italy（意大利罗马古列尔莫·马可尼大学）；Chelonia SA, Lugano, Switzerland（瑞士卢加诺Chelonia SA）
本文提出图向量场框架，通过结合离散微分几何算子与模态结构混合专家，统一多模态健康风险评估，实现可解释的模态解析风险建模。
2026-03-30 cs.LG
Group Probability-Weighted Tree Sums for Interpretable Modeling of Heterogeneous Data
UC Berkeley（加州大学伯克利分校）；UC San Francisco（加州大学旧金山分校）
本文提出G-FIGS方法，通过估计分组隶属概率作为FIGS的实例权重来构建可解释的树和模型，在临床数据上实现了优于CART和FIGS的预测性能。
2022-05-30 cs.AI cs.LG stat.AP
Cluster-Based Generalized Additive Models Informed by Random Fourier Features
Department of Mathematics and Mathematical Statistics, Umeå University（数学与统计学系，乌梅大学）；Department of Statistics, The Pennsylvania State University（统计系，宾夕法尼亚州立大学）
本文提出了一种结合响应引导的谱表示学习与局部加性建模的可解释回归框架，用于处理异质数据。通过随机傅里叶特征回归模型构建谱特征图，并利用主成分分析压缩以获得低维潜在嵌入，随后通过高斯混合模型发现软区域，在每个区域中使用聚类特定的广义加性模型捕捉非线性协变量效应，最终通过软混合这些局部加性模型实现对非线性和异质结构的灵活建模，同时保持可解释性。
2026-05-19 cs.LG stat.ML
Heterogeneous Relational Kernel Learning
Booz Allen Hamilton（博思艾伦咨询公司）；University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
最近的工作已经开发了贝叶斯方法，用于自动统计分析和描述单个时间序列以及同质的时间序列数据集。我们扩展了以前的工作，为异构时间序列创建一个可解释的内核嵌入。我们的方法增加了几乎没有计算成本相比，以前的结果，利用以前丢弃的中间结果。我们展示了我们的方法的实际效用，利用学习嵌入聚类，模式发现和异常检测。这些应用超出了先前的关系核学习方法的能力。
2019-08-24 cs.LG stat.ML
Federated Concept-Based Models: Interpretable models with distributed supervision
Università della Svizzera italiana（瑞士联邦理工学院）；University of Liechtenstein（利亨斯坦大学）；Politecnico di Torino（都灵理工大学）；IBM Research Zurich（IBM 苏黎世研究实验室）
本文提出联邦概念模型（F-CMs），在动态联邦学习环境中实现概念可解释性，通过聚合跨机构的概念信息并适应概念监督变化，提升模型准确性和可解释性。
2026-05-11 cs.LG
Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting
本文提出Fuzzy-MoE模型，通过双视图模糊路由器实现可解释专家路由，在非平稳多元时间序列预测中显著优于主流方法，同时具备透明可追溯的机制。
2026-08-24 cs.AI cs.LG
Data-Efficient and Interpretable Tabular Anomaly Detection
Meta；Google Cloud AI（谷歌云人工智能）；Stanford University（斯坦福大学）
本文提出基于广义加性模型与部分识别目标的可解释表格异常检测框架DIAD，可利用少量标注数据提升半监督检测性能并解释异常原因。
2023-06-04 cs.LG
ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院）；DAMO Academy, Alibaba Group（阿里集团大模型学院）；Hupan Laboratory（华平实验室）
ProtoTS通过层次原型学习实现高精度且透明的时间序列预测，提供多级可解释性以增强模型理解和决策支持。
2026-02-27 cs.LG
High Fidelity Textual User Representation over Heterogeneous Sources via Reinforcement Learning
LinkedIn Corporation（领英公司）；Rutgers, The State University of New Jersey（罗格斯大学）
本文提出基于强化学习的框架，通过隐含用户参与信号和规则奖励，实现统一且可解释的用户文本表示，提升大规模就业平台的个性化效果。
2026-02-07 cs.AI cs.CL cs.IR
Interpretable Deep Representation Learning from Temporal Multi-view Data
The Pennsylvania State University（宾夕法尼亚州立大学）；Duke University（杜克大学）
在许多科学问题中，如视频监控，现代基因组学和金融，数据通常是从不同的测量跨时间，表现出时间依赖的异质性。因此，重要的是不仅要集成来自多个源的数据（称为多视图数据），而且要纳入时间依赖性，以便深入理解底层系统。我们提出了一个基于变分自动编码器和递归神经网络的生成模型来推断多视图时态数据的潜在动态。这种方法使我们能够在考虑时间因素的同时识别跨视图的未纠缠的潜在嵌入。我们调用我们提出的模型分析三个数据集上，我们证明了模型的有效性和可解释性。
2022-10-07 cs.LG stat.ML
Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease
Technical University Munich（慕尼黑工业大学）；Ludwig Maximilians University（慕尼黑大学）
阿尔茨海默病（AD）病因复杂，需要综合神经解剖学、遗传学和脑脊液生物标志物等信息进行准确诊断。因此，最近的深度学习方法结合了图像和表格信息，以提高诊断性能。然而，这种神经网络的黑盒性质仍然是临床应用的障碍，其中理解异构模型的决策是不可或缺的。我们提出了PANIC，一个原型添加剂神经网络可解释的AD分类，集成了三维图像和表格数据。它是可解释的设计，因此，避免了事后的解释，试图近似网络的决定的需要。我们的研究结果表明，PANIC在AD分类中实现了最先进的性能，同时直接提供局部和全局解释。最后，我们表明，PANIC提取AD的生物意义的签名，并满足一组值得信赖的机器学习的理想desiderata。我们的实现可以在https://github.com/ai-med/PANIC上获得。
2023-03-14 cs.CV cs.LG
MoRE-GNN: Multi-omics Data Integration with a Heterogeneous Graph Autoencoder
University of Cambridge（剑桥大学）
针对多组学单细胞数据整合的高维性和模态间复杂关系问题，提出MoRE-GNN异构图自编码器，动态构建关系图，在六个数据集上优于现有方法，支持跨模态预测。
2025-10-08 cs.AI cs.LG
Statistical Embeddings for Similarity, Retrieval, and Interpretable Alignment of Numeric Tabular Datasets
Idaho National Laboratory（爱达荷国家实验室）
提出一种通过结构化探索性数据分析描述符、句子变换器嵌入和典型相关分析（CCA）来表征和比较数值表格数据集的方法，实现跨数据集的相似性检索和可解释变量级对齐，并支持差分隐私。
2026-05-28 cs.LG stat.AP stat.ML
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE
School of Automation, Guangdong University of Technology（广东工业大学自动化学院）；School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Informatics, Xiamen University（厦门大学信息学院）；State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University（东北大学过程工业综合自动化国家重点实验室）；Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系）
提出AnchorMoE框架，利用混合专家架构对局部补丁进行多视角表示并路由至专门专家，通过加性分解实现前向可解释性，并引入几何正交约束和不确定性感知门控机制提升稀疏信号下的分解可靠性与噪声抑制。
2026-07-13 cs.AI cs.LG
Clinically Interpretable Biological Age Estimation Using CatBoost and SHAP with Continuous and Categorical Features from NHANES
Northern Center for Learning and Innovation（北部学习与创新中心）
该研究基于NHANES的异质性临床数据，采用CatBoost模型结合SHAP的自动化定量分析，实现了临床可解释的生物年龄估计，为生物衰老研究和精准健康提供了方法学基础。
2026-10-16 cs.LG stat.CO
N-BEATS: Neural basis expansion analysis for interpretable time series forecasting
Element AI（元素人工智能公司）；Mila（米拉人工智能研究所）
我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于向后和向前残差链接的深度神经架构，以及一个非常深的全连接层堆栈。该体系结构具有许多理想的属性，是可解释的，适用于广泛的目标域，无需修改，快速训练。我们测试了几个著名的数据集，包括M3，M4和TOURISM竞争数据集包含来自不同领域的时间序列的建议架构。我们为所有数据集展示了N-BEATS两种配置的最新性能，将预测准确性提高了11%，比去年的M4竞赛冠军提高了3%，M4竞赛是神经网络和统计时间序列模型之间的领域调整手工制作的混合体。我们模型的第一种配置不使用任何时间序列特定的组件，其在异构数据集上的性能强烈表明，与公认的智慧相反，深度学习原语（如残差块）本身足以解决广泛的预测问题。最后，我们演示了如何增强所提出的体系结构，以提供可解释的输出，而不会在准确性上造成相当大的损失。
2020-02-20 cs.LG stat.ML
Machine Learning for Medicine Must Be Interpretable, Shareable, Reproducible and Accountable by Design
本文提出医学机器学习应以可解释性、可共享性、可复现性和可问责性为设计原则，通过本质可解释模型、严格评估与生成式协作学习，构建透明可信且可临床转化的医学人工智能。
2025-08-22 cs.LG stat.ML
Interpretable Outcome Prediction with Sparse Bayesian Neural Networks in Intensive Care
Microsoft Research Cambridge（微软研究院剑桥）；University of Cambridge（剑桥大学）；Alan Turing Institute（艾伦·图灵研究所）
由于病理学的复杂性以及作为常规临床护理的一部分而产生的大量异质数据，临床决策具有挑战性。近年来，已经开发了机器学习工具来帮助这一过程。重症监护病房（ICU）的入院代表了最密集的数据和时间紧迫的病人护理事件。在这种情况下，预测模型可以帮助临床医生确定哪些患者风险最高，并优先考虑护理。然而，灵活的工具，如人工神经网络（ANN）缺乏可解释性，限制了它们对临床医生的可接受性。在这项工作中，我们提出了一种新的可解释贝叶斯神经网络架构，它提供了人工神经网络的灵活性和可解释性方面的特征选择。特别是，我们采用稀疏诱导先验分布在一个捆绑的方式来学习哪些功能是重要的结果预测。我们使用两个真实世界的ICU队列来评估我们在死亡率预测任务上的方法。在与临床医生的合作中，我们发现，除了预测的结果外，我们的方法还可以为不同临床测量的重要性提供新的见解。这表明我们的模型可以支持医学专家的决策过程。
2019-09-09 cs.LG stat.ML
Interpretable Clustering with the Distinguishability Criterion
University of Michigan（密歇根大学）
针对聚类结果验证与簇数确定难题，提出 Distinguishability 准则量化簇可分离性，并构建基于损失函数的计算框架与常用聚类算法集成，通过模拟与真实数据验证了有效性。
2024-04-25 cs.LG stat.ME stat.ML
Heterogeneous Treatment Effects in Panel Data
Sloan School of Management（斯隆管理学院）；Massachusetts Institute of Technology（麻省理工学院）；Harvard Business School（哈佛商学院）
本文提出一种结合回归树聚类与面板数据低秩结构的新方法，用于估计异质性处理效应，理论证明其收敛性，并在半合成数据上验证了其优于替代方法的精度与可解释性。
2024-06-09 cs.LG econ.EM stat.ML
lgpr: An interpretable nonparametric method for inferring covariate effects from longitudinal data
Aalto University（阿尔托大学）
纵向研究设计对于研究疾病进展是必不可少的。然而，从纵向数据推断协变量效应需要可解释的方法，这些方法可以对复杂的协变量结构进行建模，并检测分类和连续协变量的非线性效应以及它们的相互作用。检测疾病影响的障碍在于，它们通常在疾病开始时间附近迅速发生，并且无法准确观察到该时间点。另一个挑战是，受试者之间的效应幅度可能是异质的。我们提出lGPR，一个广泛适用的和可解释的方法，非参数分析的纵向数据使用加性高斯过程。我们证明，它优于以前的方法，在确定相关的分类和连续的协变量在各种设置。此外，它还实现了重要的新功能，包括解释协变量效应的异质性、其时间不确定性以及不同类型生物医学数据的适当观察模型的能力。lgpr工具是作为一个全面和用户友好的R包实施的。LGPR可在jtimonen.github.io/lgpr-usage上获得，其具有文档、教程、测试数据和用于再现本文实验的代码。
2020-10-08 cs.LG q-bio.QM stat.ME
M$^3$-Gen: Interpretable Multimodal Generation of Gene Expression Profiles Using Clinical and Imaging Data
DEIB - Dipartimento Elettronica, Informazione e Bioingegneria, Politecnico di Milano（米兰理工大学电子、信息与生物工程系）
研究旨在解决基因表达数据获取受限问题，提出M$^3$-Gen框架，通过对比学习从临床变量和图像中学习潜在表示，以生成生物学连贯的基因表达谱，在TCGA数据集上验证有效性，且具有内在可解释性。
2026-07-24 cs.AI cs.CV cs.LG
I2MoE: Interpretable Multimodal Interaction-aware Mixture-of-Experts
University of Pennsylvania（宾夕法尼亚大学）
I2MoE提出一种可解释的多模态交互感知混合专家框架，通过交互专家和重加权模型显式建模多模态交互，提供局部与全局解释，并在医学和通用数据集上提升性能。
2025-05-25 cs.AI cs.CV cs.LG
Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
数据密集型科学越来越依赖于实时处理能力和机器学习工作流程，以过滤和分析收集的大量数据。在粒子物理学的能量和强度前沿尤其如此，原始数据的带宽可以超过100 Tb/s，这些数据来自数亿个传感器。在本文中，我们介绍了一种新的数据驱动的方法，用于设计和优化高吞吐量的数据过滤和触发系统，如在大型强子对撞机（LHC）等物理设施中使用的系统。具体地说，我们的目标是设计一个数据驱动的过滤系统，以最小的运行时成本来确定哪些数据事件要保留，同时保留（并可能改善）由手工设计的触发系统生成的输出分布。我们从可解释的预测建模和成本敏感学习中引入关键见解，以解决当前范式中的非局部低效问题，并构建一个具有成本效益的数据过滤和触发模型，该模型不会影响物理覆盖范围。
2021-04-14 cs.AI cs.LG hep-ex
A Tree-based Model Averaging Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources
University of Pittsburgh（匹兹堡大学）；Southwestern University of Finance and Economics（西南财经大学）
准确估计研究中心内的个性化处理效应（例如，一家医院）由于有限的样本量而具有挑战性。此外，隐私方面的考虑和资源的缺乏也阻止了一个网站利用来自其他网站的主题级数据。我们提出了一种基于树的模型平均方法，以提高估计精度的条件平均处理效应（CATE）在目标网站利用模型来自其他潜在的异质网站，而不共享受试者水平的数据。据我们所知，目前还没有针对分布式数据的既定模型平均方法，重点是改善处理效应的估计。具体来说，在分布式数据网络下，我们的框架提供了一个可解释的基于树的集成CATE估计器，连接跨研究站点的模型，同时通过站点分区积极建模数据源的异质性。这种方法的性能是由一个真实世界的研究证明的因果关系的氧疗对医院的生存率，并支持全面的模拟结果。
2022-06-15 cs.LG stat.ME stat.ML
