arXiv cs.LG·46 天前★ 2

NObSP：基于斜子空间投影的神经网络功能分解

原文标题：NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出NObSP框架，利用网络末层线性结构，通过样本空间斜投影将预测分解为逐特征贡献函数与交互残差，减少子空间重叠导致的重复计数。在合成基准上函数复现得分0.989，优于KernelSHAP与Integrated Gradients，并支持无需反向传播的类激活图生成。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 深度网络预测难以拆解为可解释的逐特征贡献与交互项。
方法: 利用网络末层线性结构，在样本空间做斜子空间投影，把预测分解为逐特征贡献函数加交互残差，减少子空间重叠的重复计数。
结果: 合成基准函数复现得分 0.989，高于 KernelSHAP 的 0.966 与 Integrated Gradients 的 0.922；TinyImageNet 上最近邻类别纯度从 0.654 提升到 0.713。
影响: 提供比标量归因更细的功能贡献画像，且 NObSP-CAM 无需反向传播即可生成类激活图，适合部署侧解释。