Grouped Linear Models

新框架增强了复杂AI模型的特征选择能力

研究人员开发了一个新的框架，用于在特征选择中控制错误发现率（FDR），特别解决了顺序模型和分组模型中的挑战。该方法超越了传统的逐坐标假设检验，能够处理单个原始特征由多个子特征表示的情况，例如在循环神经网络或注意力机制中。提出的方法利用分组特征FDR控制，为线性模型构建了零对称镜像统计量，并将置换SHAP导数与基于核的依赖性度量相结合，用于神经顺序模型。这个模型无关的框架不需要对协变量分布做假设，并在实验中证明了可靠的FDR控制和更高的功效。