LENS 不再只给交互打分:换一份独立数据复现,才决定哪些特征对进入模型
特征交互的排序分数高,可能只是模型拟合了噪声,而排序方法把截断点留给使用者。LENS 用同一学习算法在互不重叠的数据上训练两个模型,只通过预测访问它们:先按去掉主效应后的交互强度排序,再检验第二个模型是否以足够强度复现该模式,并用一次多重检验校正决定保留哪些特征对。在 F1–F10 基准上,LENS 配合 XGBoost 找回 91% 的实质交互,DIAMOND 为 45%,且未选出假对。
特征交互的排序分数高,可能只是模型拟合了噪声,而排序方法把截断点留给使用者。LENS 用同一学习算法在互不重叠的数据上训练两个模型,只通过预测访问它们:先按去掉主效应后的交互强度排序,再检验第二个模型是否以足够强度复现该模式,并用一次多重检验校正决定保留哪些特征对。在 F1–F10 基准上,LENS 配合 XGBoost 找回 91% 的实质交互,DIAMOND 为 45%,且未选出假对。
脓毒症早期识别常在患者到达急诊分诊时就要做出,但神经网络只给出概率,临床医生难以核对依据。ShAprox把每个特征的沙普利值拟合成曲线或均值,再与基准率相加得到预测概率,使决策过程成为可直接阅读的加和式。在两个NHS信托共28072次就诊记录上,ShAprox外部测试AUC为0.824,与神经网络的0.818相当,且训练与内部测试表现更接近。
作者提出一个进化框架,用LLM迭代生成并精炼自然语言二值特征(rubric),再由LLM对样本打分、训练逻辑回归等透明分类器;在AG News、GoEmotions与HELOC三个基准上,进化特征比单次生成rubric平均提升+2.9个百分点,并在三个任务中的两个上超过零样本LLM直接分类,其中HELOC上零样本LLM仅50.7%(接近随机且强烈偏向单一类别),而进化特征达到69.0%且各类别预测均衡、决策逻辑可审计。
已读完全部报道