实体
Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models
Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models
PulseAugur coverage of Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models — every cluster mentioning Causal Shapley Values: Exploiting Causal Knowledge to Explain Individual Predictions of Complex Models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的因果方法增强了 AI 特征归因的可扩展性
研究人员开发了因果集成梯度（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，它们结合了输入特征之间先前的因果结构。这些方法通过沿因果图路由集成路径，扩展了现有技术以提高在高维环境中的可扩展性。评估表明，CIG 能够准确识别上游驱动因素，在合成基准测试、基因表达数据和真实世界生物数据中优于 DeepSHAP 和标准集成梯度等方法。
-
新框架为AI提供计算上可行的因果解释
研究人员开发了一个名为概率因果影响（PCI）的新框架，以解决现有AI模型结果解释方法的局限性。当前方法要么难以扩展到复杂模型，要么忽略数据中至关重要的因果结构。PCI旨在通过提供一种计算上可行的方法来弥合这一差距，该方法将因果推理与概率估计相结合，并推广了实际因果关系和Pearl的因果概率等先前理论。