提出时间序列Shapley归因框架TempShap
热点事件持续更新
提出时间序列Shapley归因框架TempShap
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Chi Zhao等作者在arXiv论文中提出TempShap，一种基于损失的Shapley归因框架，以时间序列输入窗口中的单个输入单元(t,i)为玩家做归因。据论文介绍，该框架可同时回答特征在何时起作用、对预测时域影响多大两个问题。 方法上，TempShap通过排列共享以局部扰动代价估计单元级博弈。论文称，在冗余输入下，它比一次一特征打分更可靠地保持总价值，并在多个Shapley估计器、预测基准和模型家族上展现出删除排序优势。该框架是回顾性的、基于损失的。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 12:00
TempShap：时间序列预测中特征何时重要、重要多少的细粒度 Shapley 归因框架报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AITempShap：时间序列预测中特征何时重要、重要多少的细粒度 Shapley 归因框架
arXiv 论文提出 TempShap，一种基于损失、以单个输入单元 (t,i) 为玩家的 Shapley 归因框架，可同时回答特征在输入窗口何时起作用、以及对预测时域影响多大两个问题。通过排列共享以局部扰动代价估计单元级博弈，在冗余输入下比一次一特征打分更可靠地保持总价值，并在多个 Shapley 估计器、预测基准和模型家族上展现出删除排序优势。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。