医学智能诊断新突破：随机化可解释机器学习模型推动高效医学诊断 一、学术背景与研究动因 近年来，深度学习（Deep Learning, DL）模型在医疗健康领域中扮演着举足轻重的角色。通过处理海量医学数据，DL显著提升了疾病的诊断准确性和临床决策水平。在医学影像分析、基因组学数据处理、临床疾病预测等领域，DL模型展示了强大的自动特征提取与复杂模式识别能力。但与此同时，深度模型的“黑箱”特性（即难以解释其决策过程）、庞大的计算资源消耗和冗长的训练时间，也成为其在临床实际应用中难以跨越的重要障碍。 医学领域的决策过程不仅需要高准确率，还需兼顾速度与透明性，一方面保证快速诊断以应对紧急医疗情境，另一方面满足如GDPR等对自动化决策可解释性的法律法规要求。此外，DL模型尤其是大规模神经网络所带来的能源...

背景介绍 二维材料（2D materials）因其独特的物理化学性质，在纳米电子学、光电子学等领域展现出巨大的应用潜力。然而，这些材料在纳米尺度上的结构扰动（structural perturbations）对其性能有着重要影响。传统的表征方法如拉曼光谱（Raman spectroscopy）虽然能够提供材料的结构信息，但其空间分辨率通常受到衍射极限的限制，难以在纳米尺度上精确探测结构变化。为了解决这一问题，研究者们开始探索将机器学习（machine learning, ML）与光谱技术结合，以提高空间分辨率并揭示纳米尺度的结构扰动。 本研究由来自Hanyang University、Sungkyunkwan University、Korea Advanced Institute of Sc...

基于SHAP的电力价格预测模型改进研究及其可解释性分析 背景与研究动机 电力市场中的价格预测模型近年来成为研究热点，尤其是考虑到电力市场波动对利益相关方的财务影响。特别是，在欧洲能源市场中，受能源危机和地缘政治影响，最近几年燃料价格急剧上升，导致电力市场的价格波动性显著增加。即使是1%的预测误差，也可能对发电公司、负荷服务实体和交易公司产生巨大的财务后果。例如，对于用电量达到1GW的公司而言，仅1%的预测改进便可带来每年约1200万美元的节省。因此，提高电力价格预测（Electricity Price Forecasting，EPF）模型的精准度对市场参与者来说至关重要。 虽然基于机器学习（Machine Learning，ML）和深度学习（Deep Learning）技术的EPF模型在预测...