FADEx：基于特征归因与失真的降维解释

arXiv cs.LG 论文
dimensionality-reduction explainability feature-attribution interpretability local-explanation

摘要

FADEx 提出了一种新颖的局部逐实例特征归因方法，用于解释降维技术，利用泰勒展开和奇异值分解提供模型无关的解释和失真分析。

arXiv:2607.27463v1 公告类型：新 摘要：降维（Dimensionality Reduction, DR）是高维数据探索的基本工具，用于降低机器学习模型潜在空间的复杂度，并辅助解释复杂的黑盒模型。然而，非线性降维技术本身往往充当不透明变换，使得理解单个特征如何影响实例在降维空间中的位置变得具有挑战性。这种透明度的缺乏使结构模式的分析和解释复杂化，阻碍了基于投影布局对高维数据组织进行推理的能力。为了应对这一挑战，降维解释方法在提高对观察到的组和簇结构的理解方面已显示出潜力。不幸的是，现有的降维解释方法往往存在局限性，例如每个特征产生多重归因，以及仅限于特定降维方法，这些限制了它们的使用。在本工作中，我们提出了 FADEx，一种新颖的局部逐实例特征归因方法，利用一阶泰勒展开的局部线性近似和奇异值分解来提供解释。FADEx 通过加权最小二乘法计算局部线性模型，无需样本外数据映射，因此与降维方法无关，同时提供局部特征归因和失真分析。通过定性和定量评估、与现有方法的比较以及案例研究，我们展示了 FADEx 在提供解释和分析资源以分析降维方法行为方面的有效性和通用性。结果表明，FADEx 生成的解释稳健可靠，在多个方面优于现有方法。
查看原文
查看缓存全文

缓存时间: 2026/07/31 10:02 

# FADEx：基于特征归因与失真的降维解释
来源：https://arxiv.org/abs/2607.27463
查看 PDF (https://arxiv.org/pdf/2607.27463)

> 摘要：降维（Dimensionality Reduction，\(DR\)）是高维数据探索的基础工具，用于降低机器学习模型潜在空间的复杂度，并辅助解释复杂的不透明模型。然而，非线性降维技术本身往往充当不透明变换，使得理解单个特征如何影响实例在降维空间中的位置变得困难。这种透明度的缺乏使结构模式的分析和解读复杂化，阻碍了基于投影布局来推理高维数据组织方式的能力。为应对这一挑战，降维解释方法在改进对观测到的群组和簇结构的理解方面显示出潜力。遗憾的是，现有的降维解释方法往往存在一些局限，例如每个特征具有多个归因，以及仅适用于特定降维方法，这些限制妨碍了其使用。在本工作中，我们提出了 FADEx，一种新颖的局部逐实例特征归因方法，通过一阶泰勒展开和奇异值分解利用局部线性近似来提供解释。FADEx 通过加权最小二乘法计算局部线性模型，无需样本外数据映射，因而与具体降维方法无关，同时提供局部特征归因和失真分析。通过定性与定量评估、与现有方法的比较以及案例研究，我们展示了 FADEx 在提供解释和分析资源方面的有效性与通用性，可用于分析降维方法的行为。结果表明，FADEx 能产生稳健且可靠的解释，在多个方面优于现有方法。

## 提交历史

来自：Lucas Greff Meneses [查看电子邮件 (https://arxiv.org/show-email/7f283c5d/2607.27463)] **\[v1\]** 2026年7月29日星期三 20:56:39 UTC (34,253 KB)

相似文章

通过归因可分离性衡量解释器稳定性

arXiv cs.LG

本文引入了一个基于分布的框架，通过量化特征排名的可分离性并识别在随机运行中保持可靠的最大top-k排名，来衡量归因方法（解释器）的稳定性。