研究人员引入了 FRInGe，一种用于改进机器学习模型中基于梯度的归因的新颖方法。FRInGe 通过在预测分布空间中定义参考点并使用 Fisher-Rao 测地线进行插值，解决了现有技术（如积分梯度）的局限性。该方法旨在为模型行为提供更鲁棒和校准的解释，并在各种 ImageNet 架构中得到了证明。 AI
影响 增强了 AI 模型的可解释性，可能带来更值得信赖和易于调试的系统。
排序理由 该集群包含一篇 arXiv 预印本，详细介绍了 AI 模型归因的新研究方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.06404v1 Announce Type: new Abstract: Gradient-based attribution methods are model-faithful and scalable, but Integrated Gradients (IG) can be brittle because explanations depend on heuristic baselines, straight-line paths, discretization, and saturation. We propose Fis…
Gradient-based attribution methods are model-faithful and scalable, but Integrated Gradients (IG) can be brittle because explanations depend on heuristic baselines, straight-line paths, discretization, and saturation. We propose Fisher--Rao Integrated Gradients (FRInGe), which de…