智能AI
morning
ProToMEx：通过结构化表示进行快速、可解释的解释
摘要
arXiv:2609.04265v1 Announce Type: new Abstract: Existing post-hoc explainers for machine learning classifiers primarily focus on feature attribution, assigning importance scores to individual features...
that
for
ProToMEx
explanations
and
model
new
feature
importance
this
2026-09-07
1 阅读
约1分钟阅读
Athina Georgara, Adarsh Valoor, Sarvapali D. Ramchurn
字号:
arXiv:2609.04265v1 公告类型：新 摘要：现有的机器学习分类器事后解释器主要关注特征归因，为各个特征分配重要性分数。虽然很有价值，但这种方法很难阐明通常驱动模型决策过程的复杂组合模式。为了克服这一限制，我们引入了 ProToMEx，这是一种利用概率主题模型 (PTM) 的可解释性新范式。我们的模型无关框架学习潜在的“主题”，这些主题代表了分类的独特的、高级的原因，超越了简单的特征重要性，揭示了底层的语义结构。 ProToMEx 自然地提供模型整体行为的全局解释和局部解释，可以理清特定预测的多个共存原因。我们凭经验证明，ProToMEx 不仅可以产生与 SHAP 和 LIME 等流行方法相当保真度的解释，而且还大大降低了生成局部解释的摊销计算成本，使其非常适合实时应用。具体来说，我们表明，在标准化表格数据集和合成数据集上，ProToMEx 比 SHAP 和 LIME 快约 30-40 倍。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱