Значимость: Недостаток интерпретируемого машинного обучения

#Значимость #Недостаток #Annualce #Type #Humber

arXiv: 2609.19511v1 Annualce Type: New Humber Briefication: Feature material for objectionable Machination, но термин "импорт" охватывает несколько принципиально различных понятий значимости. Мы разрабатываем единый подход, основанный на незначительности: характеристика того или иного элемента на уровне населения в тех случаях, когда он является неактуальным согласно конкретному понятию значимости. Мы рассматриваем стандартные понятия ничтожной важности, вытекающие из маргинального и обусловленного статистического значения, прогнозируемого риска, функциональной неравноправности и причинно-следственных эффектов, а также показываем, как эти концепции отвечают на различные научные вопросы. Мы иллюстрируем рамки двух видов применения, в которых это различие имеет особое значение: алгоритмическая справедливость, когда общие критерии справедливости соответствуют различным понятиям ничтожной важности, и геномная модель возмущения, где различные концепции значимости приводят к разным выводам о том, что извлекла модель прогнозирования. Рамки увязывают три аспекта

Статистические данные > Машинное обучение [представлено 16 сентября 2026 года] Название: Null mattension: Disenting reference for интерпретируемого машинного обучения View PDF HTML (экспериментальное) Резюме: Физическая важность имеет центральное значение для интерпретация машинного образования, однако термин "импорт" охватывает несколько принципиально различных понятий значимости. Мы разрабатываем единый подход, основанный на незначительности: характеристика того или иного элемента на уровне населения в тех случаях, когда он является неактуальным согласно конкретному понятию значимости. Мы рассматриваем стандартные понятия ничтожной важности, вытекающие из маргинального и обусловленного статистического значения, прогнозируемого риска, функциональной неравноправности и причинно-следственных эффектов, а также показываем, как эти концепции отвечают на различные научные вопросы. Мы иллюстрируем рамки двух видов применения, в которых это различие имеет особое значение: алгоритмическая справедливость, когда общие критерии справедливости соответствуют различным понятиям ничтожной важности, и геномная модель возмущения, где различные концепции значимости приводят к разным выводам о том, что извлекла модель прогнозирования. Эта система соединяет три аспекта анализа характеристик: научный вопрос, определяющий актуальность, данные и предположения модели, которые определяют то, каким образом имеют отношение различные понятия "нет", а также методы, используемые для оценки важности. Мы…