Sumedha Chugh

新的EAGLE框架通过不确定性估计改进了机器学习模型解释

研究人员推出了一种新颖的事后模型无关解释框架EAGLE，旨在提高不透明机器学习模型的可靠性。EAGLE将扰动选择构建为一个信息论主动学习问题，自适应地采样扰动以最大化预期的信息增益。该方法有效地学习了一个线性代理模型，提供了特征重要性分数以及置信度估计。实证结果表明，EAGLE在解释的可复现性、邻域稳定性和扰动样本质量方面优于Tilia、US-LIME、GLIME和BayesLIME等现有方法。