SHAPoint: 通过 Shapley 值实现任务无关、高效且可解释的点式风险评分
机器学习
2025-09-30 v1 人工智能
摘要
可解释的风险评分在临床决策支持中发挥着至关重要的作用，然而传统推导此类评分的方法往往依赖人工预处理、任务特定建模和简化假设，从而限制了其灵活性和预测能力。我们提出了 SHAPoint，一个新颖的任务无关框架，将梯度提升树的预测准确性与点式风险评分的可解释性相结合。SHAPoint 支持分类、回归和生存任务，同时继承了树模型的有价值特性，如原生处理缺失数据和支持单调约束。与现有框架相比，SHAPoint 提供了更优越的灵活性，减少了对人工预处理的依赖，并具有更快的运行性能。实证结果表明，SHAPoint 生成的紧凑且可解释的评分具有与最先进方法相当的预测性能，但运行时间仅为后者的一小部分，使其成为透明且可扩展的风险分层的有力工具。
引用
@article{arxiv.2509.23756,
title = {SHAPoint: Task-Agnostic, Efficient, and Interpretable Point-Based Risk Scoring via Shapley Values},
author = {Tomer D. Meirman and Bracha Shapira and Noa Dagan and Lior S. Rokach},
journal= {arXiv preprint arXiv:2509.23756},
year = {2025}
}
备注
29 pages inc. references for main article. 6 Figures and 7 Tables. Including Data and Code availability statements