研究人员开发了Aumann-SHAP，一个通过分析反事实交互来解释机器学习模型决策的新框架。该方法通过关注基线特征和反事实特征之间的局部超立方体来分解变化，将其离散化为网格以形成合作博弈。应用于该博弈的Shapley和LES值提供了几何感知的归因，该归因收敛于集成梯度极限，并且可以高效计算。 AI
影响 引入了一种解释机器学习模型行为的新颖方法，有可能提高AI系统的可解释性和信任度。
排序理由 这是一篇详细介绍机器学习新解释方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2603.14014v2 Announce Type: replace Abstract: We introduce Aumann-SHAP, an interaction-aware framework that decomposes counterfactual transitions by restricting the model to a local hypercube connecting baseline and counterfactual features. Each hypercube is discretized int…