RuleFit
PulseAugur coverage of RuleFit — every cluster mentioning RuleFit across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DR-LabStack 集成多种糖尿病视网膜病变预测模型
研究人员开发了 DR-LabStack，一个旨在集成多个预训练糖尿病视网膜病变预测模型的网络系统。该系统使用 React 和 Flask 构建，为 RuleFit、Pruned RuleFit 和 XGBoost 等不同模型标准化了接口。它处理各种输入字段、序列化格式和输出语义，提供统一的二元分类 JSON 响应。该系统的设计侧重于异构模型的可重用工作流，但其临床有效性和可用性仍需进一步评估。
-
新的 RPTE 方法增强了树集成模型的可审计性
研究人员开发了一种名为残差模式树集成 (RPTE) 的新方法，以创建更可审计的机器学习模型，用于临床环境等敏感应用。RPTE 使用三阶段流程，确保预测可以分解为命名的、不重叠的规则贡献，从而更容易检查和审计。在对十二个临床数据集的评估中，RPTE 在准确性方面与现有模型相当，与 XGBoost 相比显著降低了模型检查的复杂性，并提供了比 RuleFit 更好的可审计性。
-
新的IAIML框架增强了表格数据的可解释AI · 追踪3个来源
研究人员开发了一个名为交互感知可解释机器学习（IAIML）的新框架，旨在提高表格数据模型的可解释性。IAIML解决了传统方法可能丢弃那些仅通过与其他变量交互才能显现预测能力的宝贵特征的局限性。该框架采用自适应离散化、成对交互评分和解释预算来识别和整合这些交互，实现了与梯度提升集成模型相当的性能，同时所需的解释组件显著减少。
-
新的RuleSHAP方法揭示了LLMs中的注入行为
研究人员开发了一种名为RuleSHAP的新方法，以更好地检测和理解大型语言模型（LLMs）中的注入行为。该技术结合了全局SHAP聚合和规则归纳，与RuleFit和单独的全局SHAP等现有方法相比，显著提高了对复杂、非单变量触发器的识别能力。研究表明，RuleSHAP在揭示可能导致错误信息的驱动信念的启发式方法方面非常有效，与RuleFit相比，MRR@1提高了82%。