English(EN) Causal Integrated Gradients: Scalable Feature Attribution Along Causal Paths

新的因果特征归因方法提高了 AI 模型的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员引入了因果集成梯度（CIG）和因果期望梯度（CEG），这是机器学习中用于特征归因的新方法，它们整合了输入特征之间先验的因果结构。这些方法通过沿因果图路由积分路径来扩展现有技术，从而可以将特征的归因分解为直接效应和中介效应。在合成数据、模拟基因表达数据和真实的干扰素刺激数据上的评估表明，与 DeepSHAP 和集成梯度等传统方法相比，CIG 可以在不牺牲可扩展性的情况下更准确地识别上游驱动因素。 AI

影响这些方法可以通过更好地识别数据中的因果关系，从而实现更准确、更具可解释性的 AI 模型。

排序理由该集群包含一篇学术论文，详细介绍了机器学习中特征归因的新方法。[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: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了机器学习中特征归因的新方法。[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, model release; 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) · Joran Michiels, Anis Ismail, Maarten De Vos, Alejandro Sifrim · 2026-10-16 04:00

因果集成梯度：沿因果路径的可扩展特征归因

arXiv:2610.22126v1 Announce Type: cross Abstract: Existing feature attribution methods that account for feature dependencies do not scale to high dimensions. We propose causal integrated gradients (CIG) and causal expected gradients (CEG), which extend integrated gradients to inc…

本文如何被排名

报道来源 [1]

因果集成梯度：沿因果路径的可扩展特征归因

相关实体

相关话题