English(EN) A unified framework for global and local interpretability using adaptive derivative-ordered random explanation

新的ADORE框架增强了机器学习模型的可解释性，性能优于LIME和SHAP

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-16 04:00

研究人员推出了一种名为自适应导数排序随机解释（ADORE）的新型框架，旨在增强复杂机器学习模型的可解释性。ADORE通过有效建模非线性和特征交互来解决现有方法的局限性，同时提供全局特征重要性和局部样本贡献。它通过随机SVD和动态稀疏性检测实现效率，使其能够扩展到大型数据集。实验表明，ADORE在表格、文本和图像数据上的表现优于LIME和SHAP，并且已作为开源Python包在GitHub上发布，以促进更广泛的应用。 AI

影响增强了机器学习模型的可解释性，并为LIME和SHAP等现有方法提供了一种可扩展、高效的替代方案。

排序理由该项目是一篇学术论文，详细介绍了一种用于机器学习可解释性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 18 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇学术论文，详细介绍了一种用于机器学习可解释性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Lemen Chao, Ming Lei, Anran Fanga · 2026-09-16 04:00

使用自适应导数排序随机解释实现全局和局部可解释性的统一框架

arXiv:2609.17171v1 Announce Type: cross Abstract: The interpretability of complex machine learning models is of paramount importance, especially in real-world high-stakes domains such as healthcare and finance. However, existing post-hoc interpretability methods suffer from inher…

本文如何被排名

报道来源 [1]

使用自适应导数排序随机解释实现全局和局部可解释性的统一框架

相关实体

相关话题