PulseAugur
中
实时 10:54:38
English(EN) Neural Additive and Basis Models with Feature Selection and Interactions

新的神经模型通过特征选择增强了可解释性和效率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了新的神经加性模型和基模型，它们结合了特征选择，以提高计算效率和减小模型尺寸。这些模型由 Shinichi Shirakawa 提出，通过使用神经网络作为非线性形状函数来构建广义加性模型 (GAM)，提供了高度的可解释性和特征贡献的可视化。特征选择层的引入解决了之前在处理特征交互或高维数据集时遇到的计算瓶颈，使得在保持与现有 GAM 相当或更好的性能的同时，能够进行更有效的训练和减小模型尺寸。 AI

影响 这些模型提供了一种更具可解释性和计算效率的深度学习方法，有可能提高复杂模型在各种应用中的可用性。

排序理由 该集群包含一篇详细介绍新模型和方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的神经模型通过特征选择增强了可解释性和效率

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Yasutoshi Kishimoto, Kota Yamanishi, Takuya Matsuda, Shinichi Shirakawa ·

    Neural Additive and Basis Models with Feature Selection and Interactions

    arXiv:2606.19850v1 Announce Type: cross Abstract: Deep neural networks (DNNs) exhibit attractive performance in various fields but often suffer from low interpretability. The neural additive model (NAM) and its variant called the neural basis model (NBM) use neural networks (NNs)…

  2. arXiv cs.AI TIER_1 English(EN) · Shinichi Shirakawa ·

    具有特征选择和交互的神经加性与基模型

    Deep neural networks (DNNs) exhibit attractive performance in various fields but often suffer from low interpretability. The neural additive model (NAM) and its variant called the neural basis model (NBM) use neural networks (NNs) as nonlinear shape functions in generalized addit…

相关实体

相关话题