★ 2
SSI:多光谱图像的光谱-空间联合归因方法
论文提出光谱-空间解释(SSI),一种在位置-通道玩家上的全网格归因方法,对每个空间位置定义条件博弈并应用Shapley值,生成完整的光谱-空间归因矩阵。在HLS Burn Scar等数据集上,SSI以约6%的评估预算超越MC-Owen估计器,并在多个基准上取得最佳联合删除与插入AUC。
arXiv cs.LG17 天前
共 5 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文提出光谱-空间解释(SSI),一种在位置-通道玩家上的全网格归因方法,对每个空间位置定义条件博弈并应用Shapley值,生成完整的光谱-空间归因矩阵。在HLS Burn Scar等数据集上,SSI以约6%的评估预算超越MC-Owen估计器,并在多个基准上取得最佳联合删除与插入AUC。
针对可解释 AI 缺乏可靠评估标准的问题,论文提出基于合成真值的评估框架,通过受控干预生成输入重要性已知的数据集,从而构建与模型行为对齐的真值解释。框架覆盖二值图像、表格数据与时间序列三个领域,对九种主流 XAI 方法进行评估,揭示现有技术存在显著局限,并强调基于干预的合成基准对可靠评估的重要性。
论文提出XACT框架,在任意可逆时频变换系数上学习稀疏归因掩码,覆盖STFT、连续小波与离散小波变换,并将虚拟检查层扩展到小波域以支持LRP解释。在合成数据集上解释更精确、更少高亮伪特征,在两个真实数据集上产生稀疏结构化解释。
论文针对序列推荐系统缺失可解释性基准的问题,提出双模型掩码指标:一个模型给出逐步归因分数,另一个掩码鲁棒探针测量预测概率变化。作者在 CNN、Transformer、SASRec、BERT4Rec 四种骨干与 KuaiRand、MovieLens 数据集上评测十种 XAI 方法。结论是梯度类方法(…
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。