跳到正文
热点事件持续更新

审计模型解释前景可迁移性

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年11月20日,arXiv发布论文,研究团队Rayhaneh Shabani Nia和Ali Karkehabadi正式提出“前景解释可迁移性”概念。该概念旨在审计基于过去数据学习的模型解释,在真正未来的新语境中能被恢复的程度,区别于特征重要性和测量可靠性。 研究利用多年的Genomes-to-Fields玉米田间试验作为数据基础,其中每一年份代表真实的未来语境而非随机重采样。团队评估了16个农学可解释的环境概念,在五个前向划分和一个前瞻性锁定的测试年份中进行了审计。 审计结果显示,环境层级解释的中位余弦值为0.83,而基因型条件解释的中位余弦值仅为0.30。此外,可靠性最高的一年其可迁移性反而最低。这表明,目标可靠性与上下文内的可复现性本身,并不足以确立模型解释能够支持可复现科学结论的条件。

AI 根据报道生成 · 14 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · ML
    模型解释的可迁移性前景审计:可测性不必然导致可迁移性

    基于多年玉米田间试验,研究正式提出“前景解释可迁移性”概念,审计模型解释在未来语境中的恢复程度。环境层级解释可迁移性中位余弦值为0.83,基因型条件解释中位余弦值仅为0.30,且可靠性最高的一年可迁移性反而最低。结果表明,目标可靠性与上下文内可复现性本身不足以确立模型解释支持可复现科学结论的条件。

本事件热度走势

可比范围当前
6
可比范围峰值
911月20日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。