研究人员开发了 OperatorSHAP，一种用于估计神经算子中 Shapley 值的新颖方法。该方法解决了现有可解释性技术（如 FastSHAP）的计算成本和输入限制问题，特别适用于涉及不规则数据网格的应用。OperatorSHAP 提供了一种与网格无关的归因方法和一种与 Aumann-Shapley 值相关联的训练程序，在不同分辨率和网格大小下，无需重新训练即可与离散 Shapley 值保持一致。 AI
影响 提高了神经算子的可解释性，这对于安全关键的物理应用至关重要。
排序理由 该集群包含一篇详细介绍机器学习可解释性新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.28065v1 Announce Type: cross Abstract: Understanding model predictions is essential for physical applications, where outputs often inform safety-critical decisions, such as structural load assessment, weather warnings, and clinical diagnosis. Shapley values satisfy man…
Understanding model predictions is essential for physical applications, where outputs often inform safety-critical decisions, such as structural load assessment, weather warnings, and clinical diagnosis. Shapley values satisfy many desirable properties as an attribution method, b…