论文提出概率线性解释统一框架
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出了一种基于稀疏锚定线性模型的概率可解释性统一框架，适用于二分类和连续回归。该框架通过将实例映射到布尔超立方体，在满足稀疏性约束的同时捕捉特征贡献的大小与方向。研究证明，针对神经网络模型最小化相关性误差是 NPPP-hard 问题，并提出了混合整数规划（MIP）和迭代硬阈值（IHT）两种求解方法。实验显示，该方法在满足约束的前提下，相关性误差低于 LIME 和 MAPLE 等基线模型。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载统一解释框架
形式化可解释性旨在为单个预测提供数学依据，但溯因解释常因涉及过多特征而超出人类认知极限，且概率松弛方法多局限于分类任务。为此，研究者提出了一个基于稀疏锚定线性模型的统一框架。该框架通过将实例映射到布尔超立方体，严格推广了基于子集的方法。它不仅能够捕捉特征贡献的大小和方向，还能强制执行预定的稀疏性预算 k，从而在保证解释简洁性的同时提供更丰富的信息。
计算复杂度分析
在理论层面，研究者探讨了该框架的优化难度。结果显示，当底层模型为神经网络时，最小化此类解释的相关性误差是一个 NPPP-hard 问题。这意味着直接寻找最优解在计算上是极其困难的。为了解决这一难题，研究将这一难以处理的目标与一个可处理的替代目标——保真度误差联系起来。对于参数化的局部分布族，任何 k 稀疏解释的相关性误差都被其保真度误差所界定，两者相差一个在局部保持较小的乘性因子。
求解算法与评估
针对上述经验问题，研究采用了两种互补的方法。一种是混合整数规划（MIP）公式，能够在保持多项式样本复杂度的同时产生经验上可证明的最优解；另一种是多项式时间的迭代硬阈值（IHT）算法，具有可证明的近似保证。经验评估结果表明，与 LIME 和 MAPLE 等最先进的基线模型不同，该方法生成的解释在构造上就满足了锚定和稀疏性约束，并且始终能实现更低的相关性误差。
为什么值得看
为解决现有解释方法特征过多或仅限分类的问题提供了新思路。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。