PulseAugur
中
实时 17:57:13
English(EN) The Failures of Marginal Influence-Based Attribution Methods for Global Time Series Explanations

研究论文强调了人工智能时间序列解释方法的失败

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的研究论文详细介绍了可解释人工智能（explainable AI）中用于时间序列模型的常用归因方法的失败之处。该论文认为，像SHAP这样依赖边际条件或离流形梯度的方​​法，由于自相关性会混淆直接和中介的时间依赖性。它引入了DAG-faithfulness的概念，将其定义为解释能够准确编码模型所学到的时间依赖图的能力，并证明包括时间序列感知扩展在内的现有方法未能达到这一标准。 AI

影响 指出了当前人工智能时间序列数据可解释性技术的根本局限性，可能需要新的方法来实现可靠的解释。

排序理由 发表在arXiv上的学术论文，详细介绍了现有AI归因方法的理论性失败。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究论文强调了人工智能时间序列解释方法的失败

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Amadeo Tunyi ·

    全球时间序列解释中基于边际影响的归因方法的失败之处

    arXiv:2607.16236v1 Announce Type: cross Abstract: Explainability methods for time series models predominantly produce flat attribution scores: they quantify the direct influence of a feature at a timestamp by a scalar. We prove that the dominant failure mode of such methods is no…

相关实体

相关话题