本文介绍了 DeepSHAP 框架，利用 Shapley 值对复杂模型（如神经网络和树形模型）进行解释。研究提出了 ShapNets 和 SHAPNN 等方法，显著提升了 Shapley 值的计算效率和模型解释能力。此外，GNNShap 和 Shap-CAM 等新技术改善了图的解释和可视化效果，并在真实数据集上展示了优越性能。

该文汇总了多项特征选择与可解释性研究，包括：SLCE采用l1范数稀疏编码；ENLCA实现线性复杂度非局部注意力；CEN生成实例解释；LENp改进文本局部解释；多视图稀疏拉普拉斯特征映射用于降维；大模型零样本医学特征提取；绿色学习范式监督特征学习；AI集成诊断乳腺癌；AENet学习非线性PDE解算符；GraphLIME解释图数据。