LiMA 论文获 T-PAMI 接收
热点事件持续更新
LiMA 论文获 T-PAMI 接收
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
LiMA 是一种将黑盒归因问题转化为有序可解释子集选择方法的新框架，旨在为机器学习模型提供高效且直观的解释。该方法在 8 个基础模型和 6 个数据集上的实验显示，其归因结果比现有方法具有更高保真度，且能减少解释所需的子区域数量。 通过采用双向贪心搜索优化子集选择过程，LiMA 在效率上展现了显著优势，比朴素贪心搜索快 1.6 倍。在指标表现方面，该方法在 Insertion 和 Deletion 指标上分别平均提升了 36.3% 和 39.6%，实现了比当前技术更高的解释准确度。 对于预测失败时的归因任务，LiMA 的平均置信度提升了 86.1%，进一步证明了其在识别模型错误原因方面的有效性。该研究成果已获 IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI) 正式接收。
AI 根据报道生成 · 5 小时前更新
最新进展10月19日 12:00
LiMA：基于极简可解释子集选择的高效黑盒归因方法报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv · MLLiMA：基于极简可解释子集选择的高效黑盒归因方法
LiMA 提出了一种将黑盒归因转化为有序可解释子集选择问题的新方法，在 8 个基础模型和 6 个数据集上实现了高效归因。 LiMA 利用双向贪心搜索优化子集选择，相比朴素贪心搜索快 1.6 倍；在 Insertion 和 Deletion 指标上平均分别提升 36.3% 和 39.6%。 该研究已被 T-PAMI 接收，表明其在减少子区域的同时实现了比现有方法更高保真度的模型解释。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月19日 15:00
- 近 24 小时变化
- –
02.557.510
15:0016:0017:0018:0019:00
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。