Kernel SHAP
PulseAugur coverage of Kernel SHAP — every cluster mentioning Kernel SHAP across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过不确定性和可解释性增强波动率模型校准
研究人员开发了一种使用神经信息论后验方法校准粗糙Heston模型的新框架。该方法旨在捕捉隐含波动率曲面中的不确定性，而传统神经点校准方法会忽略这一点。该框架提供了校准后的后验样本，可与神经代理定价器结合使用，为奇异期权生成不确定性感知的价格区间，将残余参数不确定性与代理不确定性相结合。此外，还引入了一种名为Hellinger-SHAP的新可解释性方法，该方法使用Kernel SHAP来识别波动率曲面中对单个Heston参数后验信息增益…
-
RelShap框架通过尊重数据关系来增强机器学习解释
研究人员推出了一种新颖的框架RelShap，旨在提高机器学习中基于Shapley值的特征解释的准确性。传统方法常常忽略数据的关系结构，导致误导性的解释。RelShap通过将关系约束和数据溯源整合到计算中来解决这个问题，确保解释忠实于底层数据生成过程。该框架与Kernel SHAP和Monte Carlo等现有估计器兼容，实验表明与Conditional SHAP和ManifoldShap等方法相比，它在识别主导特征方面具有优势。
-
新框架提议为 LLM 摘要内容提供公平补偿
一篇新的研究论文提出了一个使用 Shapley 值来解决大型语言模型 (LLM) 摘要内容创作者公平补偿问题的框架。该方法称为 Cluster Shapley，通过使用 LLM 嵌入对相似文档进行分组，来近似计算成本高昂的 Shapley 值。此方法旨在确保原创内容创作者在他们提供的信息被用于 LLM 生成的摘要时，能够得到适当的署名和补偿，随着 LLM 越来越多地驱动搜索引擎和 AI 助手，这是一个日益增长的问题。