本文探讨了广义加性模型（GAMs）在多类别情况下的应用，提出了可解释性增强的Additive Post-Processing for Interpretability (API)技术。研究表明，基于树的GAMs在稀疏性和准确性方面表现优越，并介绍了新型模型如Regionally Additive Models (RAMs)和形状算术表达式（SHAREs），强调可解释机器学习模型在预测性能中的重要性。

本文介绍了一种基于广义加性模型 (GAM) 的贝叶斯优化 (BO) 方法，用于解决高维优化问题。该方法使用树形结构的依赖图来加速计算，并保持样本效率。与Gibbs采样和变异的混合图算法相比，该方法更高效。通过实验证明了该方法的有效性。