跳到正文
热点事件持续更新

提出ESENSC:线性时间的SHAP公理化替代方法

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

石伸一、菅野拓実等研究者在arXiv发表论文,提出名为ESENSC的特征归因方法,作为SHAP的高效替代。该方法只需线性次数的联盟值评估即可给出确定性闭式归因,满足零玩家性质,并有基于效率、受限差分边际性和计算复杂度的公理化刻画。

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16日
  1. arXiv cs.AI
    ESENSC:SHAP 的多项式时间公理化替代方案

    研究提出 ESENSC,一种高效且理论可靠的 SHAP 替代归因方法。它只需线性次数的联盟值评估即可给出确定性闭式归因,满足零玩家性质,并有基于效率、受限差分边际性和计算复杂度的公理化刻画。在神经网络与 XGBoost 表格预测任务上,ESENSC 与精确 SHAP 的归因量和特征排序高度一致,且计算成本远低于精确 SHAP,优于常用的采样近似方法。

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。