GRASP：基于群Shapley值的数据挖掘特征选择方法
机器学习
2026-05-01 v2 人工智能
摘要
在医学预测中，特征选择仍是一个主要挑战，现有方法如 LASSO 往往缺乏鲁性和可解释性。我们引入 GRASP（Group-Shapley feature selection for patients），一个新型框架，将基于Shapley值的归因与群 正则化相结合，以提取紧凑且非冗余的特征集。GRASP 首先通过 SHAP 从预训练的树模型中提炼出群级重要性得分，然后通过群 正则化逻辑回归实现结构稀疏，从而获得稳定且可解释的特征选择。与 LASSO、SHAP 以及基于深度学习的方法进行大规模比较显示，GRASP 在保持可比或更优预测精度的同时，识别出更少、更不冗余且更稳定的特征。
引用
@article{arxiv.2602.11084,
title = {GRASP: group-Shapley feature selection for patients},
author = {Yuheng Luo and Shuyan Li and Zhong Cao},
journal= {arXiv preprint arXiv:2602.11084},
year = {2026}
}
备注
5 pages, 4 figures, 2 tables. Accepted at IEEE ICASSP 2026