基于信息分解的可解释多模态回归

本文解决了多模态回归中的可解释性问题，这是机器学习中一个常见的挑战。通过利用部分信息分解（PID）并引入高斯性约束，作者提供了一个新的框架来量化每个模态的贡献及其相互作用。这很重要，因为它能够更好地理解不同的数据源如何影响最终预测，从而产生更值得信赖且可能更有效的模型。PID的使用及其组件的分析解是关键贡献。本文对可解释性的关注以及代码的可用性也是积极的方面。