English(EN) Frequency-Aware Model Parameter Explorer: A new attribution method for improving explainability

新的FAMPE方法通过调整频带来增强AI模型的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种名为FAMPE（频率感知模型参数探索器）的新归因方法，以提高AI模型的可解释性。与之前同等扰动输入图像所有频率的旧方法不同，FAMPE独立调整低频和高频。这使得该方法能够适应被分析的特定模型，从而产生更忠实的归因图。在ImageNet上对各种卷积神经网络和视觉Transformer架构进行的实验表明，与AttEXplore基线相比，FAMPE显著提高了插入分数（Insertion Score），并且通过使用探针自动选择每张图像的最佳频带平衡，进一步获得了提升。 AI

影响这种新方法通过提高归因图的准确性，有望带来更值得信赖和易于理解的AI模型。

排序理由该集群包含一篇详细介绍AI模型可解释性新方法的学术论文。[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; 该集群包含一篇详细介绍AI模型可解释性新方法的学术论文。[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: 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) · Ali Yavari, Alireza Mohamadi, Elham Beydaghi, Philipp Seeb\"ock, Rainer A. Leitgeb · 2026-10-15 04:00

频率感知模型参数探索器：一种用于提高可解释性的新归因方法

arXiv:2510.03245v3 Announce Type: replace-cross Abstract: State-of-the-art attribution methods such as AttEXplore rely on adversarial sample generation that applies an all-pass filter across the frequency spectrum: they perturb all frequencies of the input image alike, from the l…

本文如何被排名

报道来源 [1]

频率感知模型参数探索器：一种用于提高可解释性的新归因方法

相关实体

相关话题