研究人员推出 GRALIS，这是一个新颖的数学框架，旨在统一可解释人工智能 (XAI) 中使用的各种线性归因方法。该框架为归因泛函建立了规范表示，涵盖了 SHAP、Integrated Gradients 和 LIME 等方法，但不包括非线性方法。GRALIS 在理论验证方面，在完备性、敏感性和多尺度聚合等多种公理属性上提供了同时保证，优于单独的方法。 AI
影响 为比较和改进 XAI 方法提供了统一的理论基础，有望带来更可靠的模型解释。
排序理由 该集群包含一篇 arXiv 预印本，详细介绍了 XAI 方法的新理论框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.05480v1 Announce Type: new Abstract: The main XAI attribution methods for deep neural networks -- GradCAM, SHAP, LIME, Integrated Gradients -- operate on separate theoretical foundations and are not formally comparable. We present GRALIS (Gradient-Riesz Averaged Locall…
The main XAI attribution methods for deep neural networks -- GradCAM, SHAP, LIME, Integrated Gradients -- operate on separate theoretical foundations and are not formally comparable. We present GRALIS (Gradient-Riesz Averaged Locally-Integrated Shapley), a mathematical framework …