为了帮助读者快速了解机器学习可解释性相关方向的发展脉络，我们从近期发表的论文中精选了18篇进行分享，包含Advanced Science、neurips等顶会顶刊成果，开源代码也一并附上。
这些前沿工作非常适合做课题选题、写作开题与工程落地，无论你是刚入门，还是想重新梳理研究脉络，相信这份文档都能帮你快速掌握整个领域。
扫码添加小享，回复“机器解释”
免费获取全部论文+开源代码
An Explainable Machine Learning Framework for Mortality Risk Prediction of Liver Cirrhosis Patients in the US Healthcare System
研究方法：研究以美国肝硬化患者公开临床数据为基础，采用随机森林分类器构建死亡风险预测模型，并结合概率空间的 SHAP 可解释性方法，从全局与患者个体层面提供模型决策解释，同时优化数据预处理与模型评估以降低假阴性、保障临床安全。
创新点：
- 针对美国医疗体系设计可解释机器学习框架，用随机森林完成肝硬化患者死亡风险预测，兼顾准确率与临床适配性。
- 将SHAP集成于概率空间，同时提供全局风险因素与患者个体级的决策解释，破解黑箱模型不透明问题。
- 以降低假阴性为核心优化目标，纳入治疗相关特征建模，更贴合肝硬化诊疗安全需求，助力临床早干预与资源合理分配。
研究价值：研究构建了适配美国医疗体系的可解释机器学习肝硬化死亡风险预测框架，依托随机森林与 SHAP 实现高精度风险识别与清晰决策解释，有效弥补传统黑箱模型的临床信任短板，可辅助临床早期干预、个体化诊疗与医疗资源高效分配。
Detection of disturbances and cyber-attacks in smart grids using explainable machine learning
研究方法：研究基于智能电网同步异构量测数据，经预处理与多策略特征筛选后，利用 Optuna 优化多种集成机器学习模型，实现电网扰动与网络攻击的多分类检测，并通过置换 SHAP 方法给出模型决策的特征贡献解释，提升检测结果的透明度与可信度。
创新点：
- 构建统一检测框架，可同时识别智能电网自然扰动与各类网络攻击，支持二分类、三分类及37种场景细粒度多分类。
- 采用多策略特征选择结合Optuna自动超参优化，在保证检测精度的同时提升模型效率与泛化能力。
- 引入置换SHAP可解释方法，提供全局与局部特征贡献说明，让模型决策透明可信，贴合电网安全运营需求。
研究价值：研究提出了面向智能电网的可解释机器学习检测框架，能够统一识别自然扰动与多种网络攻击并完成细粒度多场景分类，在保障高检测精度的同时提供清晰决策解释，有效提升智能电网安全态势感知、应急响应与主动防御能力，为关键电力基础设施安全运维提供可靠技术支撑。
......
更多论文请扫码添加小享，获取合集~
