表格数据上神经网络的因果解释

Paper#Explainable AI (XAI), Neural Networks, Causal Inference🔬 Research|分析: 2026年1月4日 00:10•
发布: 2025年12月25日 17:47
•
1分で読める
•ArXiv

分析

本文解决了解释神经网络决策的关键问题，特别是对于表格数据，其可解释性通常是一个挑战。它提出了一种新方法CENNET，利用结构因果模型（SCM）来提供因果解释，旨在超越简单的相关性并解决诸如伪相关性之类的问题。将SCM与NN结合使用是一个关键贡献，因为由于准确性限制，SCM通常不用于预测。本文对表格数据的关注以及新解释力指标的开发也很重要。
引用 / 来源
查看原文
"CENNET provides causal explanations for predictions by NNs and uses structural causal models (SCMs) effectively combined with the NNs although SCMs are usually not used as predictive models on their own in terms of predictive accuracy."
A
ArXiv2025年12月25日 17:47
* 根据版权法第32条进行合法引用。
较旧

Modified TSception for Analyzing Driver Drowsiness and Mental Workload from EEG

较新

Concentration-Dependent Tungsten Effects on Short-Range Order and Deformation Behavior in Ni-W alloys

相关分析

Paper

基于选择策略的协调人形机器人操作

2026年1月3日 06:10

Paper

从未对齐图像即时进行3D场景编辑

2026年1月3日 06:10

Paper

用于未来预测的LLM预测

2026年1月3日 06:10

来源: ArXiv