★ 3
可解释AI用于电信客户流失预测的CRM集成框架
研究在IBM数据集上基准测试四种分类器，逻辑回归AUC最高。提出四层CRM集成架构，将风险评分和归因向量转化为分层细分和保留行动模板，预计可减少流失3.3-5.3个百分点。
arXiv cs.AI66 天前
#SHAP
共 7 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
研究用机器学习改进救护车行程时间估计，超越商业导航
论文指出急救调度依赖静态查表与「救护车快 5%」等未经验证假设，商业导航也无法反映急救动态。基于瑞典 Skåne 历史数据，研究构建机器学习系统更准确估计行程时间，并用 SHAP 与置换重要性提升可解释性。
arXiv cs.LG7 天前
★ 2
研究提出基于 SHAP 证据的 LLM 风险评分差异诊断流程
论文提出一套受控 LLM 工作流，结合参考案例检索与对比式 SHAP 证据，让模型在确定性校验下解释风险评分差异。实验显示该流程产出的诊断比无结构化引导的同一模型更一致、更可追溯。
arXiv cs.AI13 天前
★ 2
CatBoost 与 SHAP 构建可解释生物学年龄估计框架
研究基于 NHANES 2011-2020 共 24983 名成人数据，用 CatBoost 回归模型结合 44 项人口学、实验室、体检与生活方式特征估计生物学年龄。研究将 SHAP 依赖图从视觉解读扩展为预设的自动化定量流程，量化特征值区间、效应量与零交叉阈值。模型估计年龄与真实年龄相关系数达 …
arXiv cs.LG17 天前
★ 2
SHAP/LIME 从右到左语言渲染修正
研究指出 SHAP 与 LIME 可视化主要面向从左到右语言，在乌尔都语、阿拉伯语等从右到左语言中归因值虽数学有效但呈现失败。作者提出 SHAP-RTL 渲染层，修正阅读方向与字形连写并保留原始归因值。默认渲染字符错误率高达 0.82-0.98，而 SHAP-RTL 保持正确。
arXiv cs.LG38 天前
★ 2
知识追踪模型的可解释性验证协议
研究提出一套验证协议，同时检验知识追踪模型的预测竞争力、解释稳定性与重训练忠实性。作者重建了 ASSISTments 2009 数据集，发现原始技能构建版本存在标签泄漏问题，会抬高 AUC 并改变解释结果。在信息匹配条件下，XGBoost 与四种深度基线表现相当，差异主要来自输入信息而非模型族。
arXiv cs.LG38 天前
★ 2
用解释诱导的预测器评估解释方法
论文提出一种更简单的解释质量检验：若解释真实反映模型如何使用特征，就应能据此重建模型预测。作者将 PDP、ALE、SHAP、LIME 等解释转化为加性预测器，在未见数据上衡量其复现模型的程度，无需拟合。理论证明特征独立时求和部分依赖曲线是最优加性摘要，特征相关时失效；13 个真实数据集与 9 个合…
arXiv cs.LG45 天前