English(EN) NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections

新的 NObSP 框架增强了神经网络的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-17 04:00

研究人员推出了一种名为 NObSP（非线性斜向子空间投影）的新型框架，旨在增强深度神经网络的可解释性。该方法利用训练网络的线性最终层，将网络预测分解为显式的每特征贡献函数和交互残差。NObSP 利用斜向投影来减轻重叠特征子空间中的重复计数问题，从而实现局部解释和全局功能分析。实验证明了其在表格和视觉基准测试中的有效性，显示出与现有归因方法相当的忠实度，并提高了 TinyImageNet 上的类别纯度。 AI

影响提供了一个理解和调试深度学习模型的新工具，可能提高信任度和性能。

排序理由该集群包含一篇详细介绍分析神经网络新方法的论文。[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 →

本文如何被排名

Signal score: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍分析神经网络新方法的论文。[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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Alexander Caicedo, V\'ictor De La Hoz, Santiago Alf\'erez · 2026-09-17 04:00

NObSP：通过斜子空间投影对神经网络进行功能分解

arXiv:2609.17825v1 Announce Type: new Abstract: Understanding how deep neural networks make decisions remains a fundamental challenge. We present NObSP (Nonlinear Oblique Subspace Projections), a framework that decomposes predictions into explicit per feature contribution functio…

本文如何被排名

报道来源 [1]

NObSP：通过斜子空间投影对神经网络进行功能分解

相关实体

相关话题