新框架增强了复杂AI模型的特征选择能力

研究人员开发了一个新的框架，用于在特征选择中控制错误发现率（FDR），特别解决了顺序模型和分组模型中的挑战。该方法超越了传统的逐坐标假设检验，能够处理单个原始特征由多个子特征表示的情况，例如在循环神经网络或注意力机制中。提出的方法利用分组特征FDR控制，为线性模型构建了零对称镜像统计量，并将置换SHAP导数与基于核的依赖性度量相结合，用于神经顺序模型。这个模型无关的框架不需要对协变量分布做假设，并在实验中证明了可靠的FDR控制和更高的功效。 AI

影响 这项研究可以提高复杂AI模型中特征选择的可靠性和功效，从而获得更准确和可解释的结果。

排序理由 该项目是一篇学术论文，详细介绍了一种新的机器学习统计框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Franklin Delano Roosevelt
• Gaussian Mirror
• Gotit.pub
• Grouped Linear Models
• Group Gaussian Mirror
• Hugging Face
• Influence Flower
• Neural Gaussian Mirror
• Neural Sequential Models
• Permutation SHAP
• ScienceCast

• 论文
• 模型发布

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