机器学习可解释性方法又上新了！这次是《Advanced Science》上的一项研究CellPhenoX，简单实用还有临床实用价值！强烈建议对此感兴趣的朋友下载研读。
我也简单看了下idea，这个核心还是属于局部解释性这类技术手段，很符合当前这方向创新的热门思路：优先选面向应用的设计这个创新方向，搭配局部解释+机制性解释的方法。既契合顶刊偏好，创新点又容易提炼、验证难度还很适中，发表成功率高。
当然，其他创新方向和方法是可以根据自身研究基础/资源灵活搭配的，这部分我还是建议多看前人成果。这里我已经整理了16篇机器学习可解释性前沿论文，按技术/路径导向做了分类，主要是为了帮大家节省时间，代码也有，无偿分享。
扫码添加小享，回复“机器解释”
免费获取
全部论文+开源代码
局部解释性方法：
CellPhenoX: An Explainable Machine Learning Method for Identifying Cell Phenotypes To Predict Clinical Outcomes from Single-Cell Multi-Omics
方法：CellPhenoX 这一可解释机器学习方法，结合分类模型、可解释AI技术（如SHAP），生成细胞特异性可解释分数，能识别单细胞数据中与临床结果相关的细胞表型及交互效应，同时保证模型可解释性。
创新点：
- 开发CellPhenoX方法，整合分类模型与可解释AI技术，生成细胞特异性分数，能识别与临床结果相关的细胞表型及交互效应。
- 构建临床驱动的单细胞模拟器，可生成含多种受控方差的数据集，为评估相关方法性能提供基准。
-
采用灵活分解方法与适配算法，能检测细微生物学变化，且通过SHAP值实现模型可解释，助力成果临床转化。
全局解释性方法：
Enhancing Malware Detection through Machine Learning using XAI with SHAP Framework
方法：论文采用随机森林、AdaBoost等多种机器学习模型检测恶意软件，结合XAI的SHAP框架，通过SHAP值明确各特征对预测的贡献，在实现高检测准确率的同时，提升模型决策的可解释性。
创新点：
- 采用随机森林、AdaBoost等四种机器学习模型检测恶意软件，并用多指标和5折交叉验证全面评估性能。
- 引入SHAP框架，通过计算SHAP值明确特征对预测的局部和全局贡献，解决模型“黑箱”问题。
- 用SMOTE处理数据类别不平衡，结合Extra Trees Classifier筛选关键特征，优化数据预处理流程。
扫码添加小享，回复“机器解释”
免费获取全部论文+开源代码
基于规则的解释性方法：
A Text Classification-Based Approach for Evaluating and Enhancing the Machine Interpretability of Building Codes
方法：论文提出基于文本分类的方法，通过构建条款分类标准与数据集，利用领域预训练模型（RuleBERT）自动分类条款机器可解释性，结合文档级评估指标，明确建筑规范可解释性水平，增强模型透明度。
创新点：
- 提出7类条款分类标准，涵盖直接、间接、方法等类型并对应不同可解释性等级，构建标注数据集并通过数据增强平衡样本。
- 基于领域语料进一步预训练BERT模型得到RuleBERT，实现条款可解释性高效自动分类。
- 设计文档级可解释性量化指标，评估大量建筑规范可解释性水平，为规范优化提供依据。
机制性解释性方法：
FIND: A Function Description Benchmark for Evaluating Interpretability Methods
方法：论文提出FIND基准套件，含多领域程序性生成函数及标注描述，用非交互式方法、AIA等机器学习方法生成函数描述，结合NMSE、单元测试等指标，为机器学习可解释性工具提供标准化评估。
创新点：
- 构建FIND基准套件，含多领域程序性生成函数及标注描述，为可解释性方法提供评估对象。
- 提出AIA方法，通过LM自主交互探索函数行为，结合MILAN初始化可提升性能。
- 设计多维度评估指标，用NMSE和单元测试评估描述准确性，引入vicuna-evaluator确保评估客观。
扫码添加小享，回复“机器解释”
免费获取全部论文+开源代码
