shapley

TempShap 提出了一种用于时间序列预测的单元级、基于损失的 Shapley 框架，可生成归因张量，揭示特征在输入窗口中的何时发挥作用，以及其影响如何随预测时域变化，并在删除排序基准测试中优于现有的 Shapley 估计器。

该推文讨论了有效的AI归属方法：推理中使用Shapley值，后训练中使用LoRA，预训练中使用层次方法，并提出了路由通用智能的未来。

介绍了CAS，一种用于局部和全局可解释AI的因果归因评分，它将预测重要性与因果效应异质性区分开来，并在基准测试和实证数据集上进行了验证。

介绍BOHM，一种针对复合AI系统的零成本层次归因方法，从路由权重中提取归因，在许多实际部署中优于基于Shapley的方法。