新论文将SHAP模型解释与函数方差分析分解联系起来

一篇新发表在arXiv上的论文探讨了SHAP（SHapley Additive exPlanations）的统计学基础，这是一种流行的机器学习模型解释方法。该研究将SHAP近似值与函数方差分析分解联系起来，强调了特征分布选择和估计的方差分析项数量如何影响SHAP的准确性。尽管与敏感性分析的联系很有见地，但该论文指出，在机器学习可解释性和传统敏感性分析领域之间，实际约束存在差异。 AI

影响 为SHAP等模型可解释性方法提供了理论见解，可能影响未来可解释AI领域的研究。

排序理由 关于机器学习方法统计学方面的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• Andrew Herren
• arXiv
• CatalyzeX
• DagsHub
• Functional Anova
• Gotit.pub
• Hugging Face
• ScienceCast
• Shap

• 论文
• 其他

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