PulseAugur
中
实时 08:34:16
English(EN) Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations

新的EAGLE框架通过不确定性估计改进了机器学习模型解释

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的事后模型无关解释框架EAGLE，旨在提高不透明机器学习模型的可靠性。EAGLE将扰动选择构建为一个信息论主动学习问题，自适应地采样扰动以最大化预期的信息增益。该方法有效地学习了一个线性代理模型，提供了特征重要性分数以及置信度估计。实证结果表明，EAGLE在解释的可复现性、邻域稳定性和扰动样本质量方面优于Tilia、US-LIME、GLIME和BayesLIME等现有方法。 AI

影响 通过提供更可靠、可复现且带有不确定性估计的解释，增强了对机器学习模型的信任。

排序理由 介绍机器学习模型解释新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新的EAGLE框架通过不确定性估计改进了机器学习模型解释

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Sumedha Chugh, Ranjitha Prasad, Nazreen Shah ·

    面向不确定性感知事后解释的信息扰动选择

    arXiv:2603.14894v3 Announce Type: replace-cross Abstract: Trust and ethical concerns due to the widespread deployment of opaque machine learning (ML) models motivating the need for reliable model explanations. Post-hoc model-agnostic explanation methods addresses this challenge b…

相关实体

相关话题