研究人员开发了一种新的广义函数方差分析（也称为Hoeffding分解）方法，以增强模型的可解释性。该方法为加性解释提供了一个统一的框架，特别是对于具有因变量的连续输入。所提出的算法提供了一种模型无关的方式来从数据中估计这些分解，并且与现有解释方法相比，经验表明其有效性。 AI
影响 通过提供加性解释的统一框架来增强人工智能模型的可解释性，可能提高信任度和调试能力。
排序理由 该集群包含一篇arXiv预印本，详细介绍了用于人工智能模型可解释性的新统计方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.18422v1 Announce Type: new Abstract: The functional ANOVA, or Hoeffding decomposition, provides a principled framework for interpretability by decomposing a model prediction into main effects and higher-order interactions. For independent inputs, this classical decompo…
The functional ANOVA, or Hoeffding decomposition, provides a principled framework for interpretability by decomposing a model prediction into main effects and higher-order interactions. For independent inputs, this classical decomposition is explicit. It is closely connected to S…