本文比较了可解释机器学习模型与黑箱模型的预测性能，特别是广义加性模型（GAMs）。研究表明，复杂数据不一定需要牺牲可解释性，GAMs在实际应用中表现良好，强调了其在信息系统中的重要性，并展望了未来研究方向。

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。