热点事件持续更新

机器学习评估Neoantigen预测SHAP局限性

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

一项新发布的基准测试评估了机器学习模型在Neoantigen免疫原性预测中的表现。研究构建了包含60种配置模型在199个验证newtiantigen上的测试集，发现线性模型在准确率上优于梯度提升和神经网络，同时指出SHAP解释在高基数特征上存在失效问题。该基准测试采用了分层交叉验证方法，并通过特征消融分析发现HLA基因是预测结果的主要驱动因素。针对SHAP解释的可靠性问题，研究建议在对高基数分类注释的SHAP值进行分析时，必须引入随机标签对照以验证其有效性。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月3日

13:00
arXiv · AI
评估机器学习模型在Neoantigen免疫原性预测中的表现及SHAP解释的局限性
该研究构建了包含60种配置模型在199个验证newtiantigen上的基准测试，指出线性模型优于梯度提升和神经网络，且SHAP在高基数特征上失效。基准测试采用分层交叉验证，通过特征消融发现HLA基因是主要驱动因素。建议对高基数分类注解释SHAP值时进行随机标签对照。

本事件热度走势

可比范围当前: 8
可比范围峰值: 911月3日 17:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。