本研究探讨了保险领域中机器学习模型的安全性，评估了梯度提升决策树（GBDT）和深度神经网络（DNN）的鲁棒性，发现后门攻击可以在少量样本下成功实施，凸显了实际应用中的潜在风险。

本文探讨了在短视频平台ShareChat上应用方差缩减技术的效果，显示在77%的情况下可提高A/B测试的置信水平或减少数据点。研究强调基于梯度提升决策树的控制变量更为有效，并讨论了大规模实施的可行性及成本降低。还提出了适用于复杂数据环境的高效估计量和置信区间的方法。

该论文提出了一种新型网络结构，将图神经网络（GNN）与梯度提升决策树（GBDT）结合，以优化异质图节点特征。研究表明，该模型在多个数据集上性能显著提升，并通过超参数调整和稀疏网络设计增强了模型的可解释性和效率。

本文探讨了多种基于梯度提升决策树的算法在自然语言推断和特征选择中的应用，介绍了FreeGBDT、DGBF和GBFS等新方法，这些方法在多个数据集上展现了优越的分类精度和特征提取能力，尤其在高维数据和非线性特征相互作用方面表现良好。

UniFeat 是一个开源特征选择工具，支持多种研究领域，提供多种特征选择方法，促进新算法的开发。文章介绍了几种特征选择算法，包括基于梯度提升决策树的方法，强调它们在高维数据和时间序列分类中的有效性和性能。

本文综述梯度提升决策树（GBDT）的多项研究，涵盖：生成局部对抗解释以理解黑盒预测；基于前向特征选择的可扩展GBDT，支持多任务特征选择；结合博弈论与交互效应提升树模型可解释性并用于医疗问题；改进差分隐私GBDT训练以提升精度；提出无偏增益度量解决分裂偏差；构建多层GBDT森林学习分层表示；将GBDT用于自然语言推断；识别影响力训练样本；提出块分布式GBT降低通信成本；以及用SHAP值统一解释树集成模型。