注册

JEDI-net：按 SHAP 值周期性聚类并嵌入网络以适配预测

论文AI 评分 62/100arXiv cs.AI
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。

一篇 arXiv 论文提出 JEDI-net（Joint Embedding with Dynamic Integration Network），把 SHAP 值在优化过程中周期性聚类，找出特征重要性模式相近的潜在子群，再把这些子群的身份直接嵌入网络，使预测能随每条样本的预测结构变化。作者认为，深度网络本身已能捕捉复杂结构，对原始特征空间做外部聚类收益有限；改按特征重要性画像聚类，更可能揭示潜在结构。该工作延续此前的 FORCE 方法，论文编号 arXiv:2610.17314，提交于 2026 年 10 月 12 日，归入 cs.LG 与 cs.AI。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

要解决的问题

论文指出，深度学习之所以成为主流机器学习形式，部分原因在于它能自动从数据中构造复杂的元特征。但即便使用深度特征，模型表现仍可能不稳定，原因在于存在未被观测到的潜在因子。作者认为，显式引入潜在因子信息可以让模型依据推断出的因子改变自身行为，从而改善表现。由于神经网络往往已内在地捕捉了这类复杂性，对原始特征空间做外部聚类带来的收益有限。论文因此提出换一个聚类对象：不按原始特征聚类，而按特征重要性画像聚类观测样本，理由是重要性模式相近的样本可能共享预测动态。

JEDI-net 的做法

JEDI-net 是一个统一架构。它在优化过程中周期性地对 SHAP 值进行聚类，用这种方式识别出特征重要性模式相似的潜在子群；随后把这些子群的身份直接嵌入网络，使预测能够针对每条观测样本自身的预测结构作出调整。论文强调这一设计延续了此前的 FORCE（Feature Oriented Representation with Clustering and Explanation）工作，在那项工作中作者已展示该思路可测量地提升神经网络表现。JEDI-net 的定位是把聚类与嵌入整合进同一套流程，而不是在训练之外单独做一次分组。

论文信息与归类

该论文提交于 2026 年 10 月 12 日，编号 arXiv:2610.17314，版本为 v1，归类于 cs.LG 与 cs.AI 两个方向，DOI 通过 DataCite 发放且标注为待注册。提交记录显示提交者为 Rishav Mukherjee，提交时间为当日 19:13:24 UTC，全文大小 406 KB。论文页面提供 PDF 全文、许可信息、音频摘要，以及参考文献与引用相关的检索入口，包括 Google Scholar、Semantic Scholar 和 BibTeX 引用格式。

为什么值得看

把潜在子群身份嵌入网络、让预测按样本自适应，是提升深度模型稳定性的一条可复用思路。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源Joint Embedding with Dynamic Integration network (JEDI-net)

关键事实

  • 论文标题为 Joint Embedding with Dynamic Integration network (JEDI-net)[1]

  • 作者为 Rishav Mukherjee 与 Jeffrey Ahearn Thompson[1]

  • 方法在优化过程中周期性聚类 SHAP 值，识别特征重要性模式相近的潜在子群[1]

  • 论文编号 arXiv:2610.17314，提交时间为 2026 年 10 月 12 日[1]

  • 该工作延续此前 FORCE（Feature Oriented Representation with Clustering and Explanation）方法[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

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。

去论坛讨论