PulseAugur
中
实时 11:11:52
English(EN) CatNet: Controlling the False Discovery Rate in LSTM with SHAP Feature Importance and Gaussian Mirrors

CatNet论文介绍使用SHAP进行LSTM中特征重要性以控制错误发现率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出CatNet，一种旨在控制错误发现率（FDR）并识别长短期记忆（LSTM）网络中重要特征的新型算法。该方法利用SHAP值的导数来评估特征重要性，并采用高斯镜像算法进行FDR控制。CatNet还整合了一种新的基于核的独立性度量，以处理特征之间复杂的关联，并在模拟数据和真实世界数据上均表现出稳健的性能，以增强模型的可解释性并减少过拟合。 AI

影响 引入了一种提高序列深度学习模型可解释性和鲁棒性的新方法。

排序理由 这是一篇研究论文，详细介绍了一种用于LSTM中特征选择和FDR控制的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

CatNet论文介绍使用SHAP进行LSTM中特征重要性以控制错误发现率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiaan Han, Junxiao Chen, Yanzhe Fu ·

    CatNet：使用SHAP特征重要性与高斯镜像控制LSTM中的错误发现率

    arXiv:2411.16666v4 Announce Type: replace-cross Abstract: We introduce CatNet, an algorithm that effectively controls False Discovery Rate (FDR) and selects significant features in LSTM. CatNet employs the derivative of SHAP values to quantify the feature importance, and construc…

相关实体

相关话题