TreeSHAP
PulseAugur coverage of TreeSHAP — every cluster mentioning TreeSHAP across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新指标衡量 AI 安全分类器解释在攻击下的退化程度
一项新的研究论文引入了可解释性稳定性指数（ESI），用于衡量对抗性攻击如何影响网络安全分类器的解释。该研究将先前的工作扩展到四种表格安全数据集上的 Random Forest 和 XGBoost 模型，发现预测鲁棒性和解释稳定性是不同的指标。研究强调，一些攻击虽然对基于梯度的方法表现出鲁棒性，但仍可能显著破坏模型解释的稳定性，这表明需要同时衡量鲁棒性和稳定性。
-
AI模型利用行为信号解读股市可预测性
研究人员开发了一个可解释的机器学习流程，将股市可预测性分解为因子贡献。将XGBoost模型与TreeSHAP归因应用于2009-2019年中国A股股票，该系统实现了显著的+2.38%/月的Alpha，即使在考虑了Carhart四因子模型后仍然持续存在。SHAP分解显示，换手率和动量等行为信号是预测归因的主要驱动因素，占58.2%，而估值比率占10.7%。
-
新的LMDI+方法增强了树基模型的可解释性
研究人员开发了Local MDI+ (LMDI+)，一种用于量化树基模型中单个样本特征重要性的新方法。与现有的基于近似的方法不同，LMDI+利用了决策树和线性模型的内部结构。在十二个基准数据集上，LMDI+在使用选定特征时展示了10%的预测性能提升，并在特征重要性排名方面显示出更高的稳定性。该方法在识别反事实和发现住房数据集案例研究中的子群体方面也证明了有效性。
-
Quadrature-TreeSHAP 提供更快、更稳定的AI模型解释
研究人员开发了Quadrature-TreeSHAP，一种用于解释树集成预测的新颖方法，该方法独立于深度，并且比现有方法更具数值稳定性。这项新技术自然地扩展到高阶Shapley交互值，并利用基于求积的重构来实现高效计算。实证评估表明，Quadrature-TreeSHAP在Shapley值和交互计算的速度方面均显著优于TreeSHAP和GPUTreeSHAP。