Компьютерная наука > Машинное обучение [представлено 16 сентября 2026 года] Название: Probabilistic Linear Recuration View PDF HTML (экспериментальная) Резюме: Формальная объясняемость дает математически обоснованные обоснования для индивидуальных прогнозов. Однако похитительные объяснения часто превышают когнитивные пределы человека, поскольку они сопряжены со слишком большим количеством особенностей, в то время как вероятностные расслабления во многом ограничиваются категорической классификацией. Мы представляем унифицированные рамки вероятностного объяснения на основе небольших линейных моделей, которые применимы как к бинарной классификации, так и к непрерывной регрессии. Картируя примеры в булеанском гиперкубе, наши линейные объяснения строго обобщают подходы на основе подмножества: они отражают как масштаб, так и направление вкладов объектов при одновременном обеспечении соблюдения предписанного бюджета сарсити $k долларов. Мы показываем, что сведение к минимуму ошибки в отношении релевантности для таких объяснений является \классNPPP-жестким, когда лежащая в основе модель - нейронная сеть. И мы связываем эту неразрешимую цель с переносной суррогатной — ошибка верности. Для параметризированного семейства местных распределений ошибка релевантности любого объяснения $k-sparse ограничивается его ошибкой верности вплоть до мультипликативного фактора, который остается незначительным на местном уровне. Мы решим возникающую в результате этого эмпирическую проблему с…
Пояснения вероятной линейной линии
arXiv: 2609.19077v1 Annuature Type: New Habstratement: Formal obvisibility предоставляет математически обоснованные обоснования для индивидуальных прогнозов. Однако похитительные объяснения часто превышают когнитивные пределы человека, поскольку они сопряжены со слишком большим количеством особенностей, в то время как вероятностные расслабления во многом ограничиваются категорической классификацией. Мы представляем унифицированные рамки вероятностного объяснения на основе небольших линейных моделей, которые применимы как к бинарной классификации, так и к непрерывной регрессии. Картируя примеры в булеанском гиперкубе, наши линейные объяснения строго обобщают подходы на основе подмножества: они отражают как масштаб, так и направление вкладов объектов при одновременном обеспечении соблюдения предписанного бюджета сарсити $k долларов. Мы показываем, что сведение к минимуму ошибки в отношении релевантности для таких объяснений является \классNPPP-жестким, когда лежащая в основе модель - нейронная сеть. И мы связываем эту неразрешимую цель с переносной суррогатной — ошибка верности. Для параметризированного семейства 1