机器学习在量化选股中的应用不仅仅是特征拼接和模型训练，成功的关键在于标签构造、特征处理、训练协议、模型解释和上线监控等细节。机器学习应嵌入具体环节，帮助合成信号，而非替代传统模型。有效的标签构造和特征工程是提升模型表现的基础，需避免未来信息泄漏和过拟合。模型上线后需持续监控其表现和稳定性，以应对市场变化。

本研究解决了当前可解释人工智能(XAI)工具无法有效检测大语言模型(LLMs)中的偏见这一问题。通过首次提出文本到序数的映射策略，该 paper 使用全球 XAI 方法（如 RuleFit 和 SHAP）分析在 LLMs 中注入的非线性偏见，并提出了结合了 SHAP 和 RuleFit 的新算法 RuleSHAP。重要发现表明，RuleSHAP 在检测注入偏见方面效果显著提升，平均提高了94%的检测能力。

本研究探讨数据工程选择对局部特征解释的影响，强调特征表示方法在生成SHAP等特征重要性值时的敏感性，并揭示该领域系统探索的不足。

本研究解决了糖尿病风险预测中的可解释性问题，提出了一种基于Dash的交互式健康风险预测工具。通过使用LightGBM与欠采样策略，本研究实现了最佳召回率，并结合SHAP和LIME技术解释预测结果，强调了共病的相关性，从而为用户提供个性化建议，促进数据驱动的健康意识。

本研究解决了基于聚合SHAP值丢弃特征的有效性问题。通过分析发现，小的聚合SHAP值并不总是意味着特征对函数无影响，因此提议在扩展支持上聚合SHAP值，从而确保小的聚合值可以安全地丢弃相应的特征。研究结果不仅具有理论意义，还在实际应用中提供了新的视角，推动了对SHAP的深入研究。

本研究提出CS-SHAP方法，扩展Shapley加性解释至循环谱域，以提高神经网络在机械智能故障诊断中的可解释性。CS-SHAP能够更准确地评估载波和调制频率的贡献，其解释性优于现有方法，适用于高可靠性故障诊断场景。

本研究分析了尼泊尔，特别是加德满都的空气污染及其对健康的影响，并提出利用机器学习预测空气质量指数。氢α生物降解过滤器在去除PM2.5和PM10方面效率超过98%，对公共健康和环境保护具有积极作用。

本研究解决了机器学习模型可解释性方法选择的困惑，尤其是在医疗等高风险领域。作者对SHAP和GradCAM两种常用可解释性技术在人类活动识别中的应用进行了比较，揭示了它们各自的优缺点与适用场景，并提出根据具体模型和应用选择适当方法的指导。研究发现，SHAP适合提供详细的特征重要性，而GradCAM适合快速空间解释，二者可根据需求互为补充。

本文探讨了在物联网环境下，利用无监督学习和图方法进行网络入侵异常检测，并提出了一种可解释的入侵检测系统（IDS）。研究表明，集成方法能够有效识别恶意活动，并通过可解释人工智能（XAI）提高检测的准确性和透明度。实验结果显示，该方法在多个数据集上表现优异，具有良好的泛化能力和低误报率，为网络安全防御提供了重要支持。

本文介绍了多种贷款审批技术。使用逻辑回归和BERT提高预测准确性，并通过SHAP和LIME分析特征重要性。还探讨了LangChain和对话式AI在自动化贷款预测中的潜力。结果表明，机器学习工具能深入分析数据，但理解AI决策过程以符合法律和公平要求仍然重要。

本研究提出了一种名为shap-select的特征选择框架，利用SHAP值进行回归分析，解决高维数据集的特征选择问题。实验表明，shap-select在可解释性、效率和性能上表现出色。

该研究提出了AMIGO和MarbliX等创新框架和模型，旨在整合组织病理学图像与基因组数据，以提高癌症诊断的准确性和个性化治疗选择。研究通过动态时间扭曲和多模态学习展示了在不同癌症数据集上的优越性能，推动了医学研究的发展。

本文介绍了一种可解释人工智能（XAI）的分类法，涵盖功能性、操作性、可用性、安全性和验证性五个维度。通过文献调研，提出了评估标准和期望，以指导新解释方法的开发。文章还探讨了深度学习模型的透明性，提出了Compare-xAI基准测试框架，并分析了LIME和SHAP等多种解释性AI方法，以提高机器学习模型的可解释性。

本文探讨了黑盒图像分类中的对抗性样本问题，提出了一种基于偏差抽样的新方法，显著提高了攻击效率。同时，研究利用Shapley值检测正常与对抗输入，展示了高准确性和强泛化能力。此外，提出了新技术以隐藏分类器偏见，并讨论了可解释人工智能中的安全性问题，强调了持续评估的重要性。

本文讨论了后续解释方法在模型解释中的重要性，评估了不同方法的可靠性和可理解性。研究表明，SHAP和Attri-Net在识别错误模型行为方面表现最佳，并提出了改进可理解性和可预测性的设计建议。