arXiv cs.AI· Joran Michiels, Anis Ismail, Maarten De Vos, Alejandro Sifrim·· 2 天前AI 评分23
因果积分梯度：沿因果路径的可扩展特征归因
Causal Integrated Gradients: Scalable Feature Attribution Along Causal Paths
AI 导读
研究者提出因果积分梯度（CIG）与因果期望梯度（CEG），将输入特征间的先验因果结构嵌入积分路径，在保持计算效率的同时把特征归因分解为直接效应与经因果后代的间接效应。
正文 · AI 翻译
摘要：现有考虑特征依赖关系的特征归因方法无法扩展到高维。我们提出因果积分梯度（CIG）和因果期望梯度（CEG），它们将积分梯度扩展为纳入输入特征之间的先验因果结构，同时保持其计算效率，并在因果图满足一定条件时保持其公理化保证。在许多场景中，特征之间的某些因果结构是已知的，例如转录因子因果性地调控靶基因的表达。然而，现有的基于梯度的方法无法利用这种结构，反而将特征的下游效应归功于其真正的上游原因，例如将靶基因排在调控它的转录因子之上。我们的核心思想是通过沿因果图路由积分路径来嵌入这种因果结构。该方法由此将每个特征的归因分解为直接效应和通过其因果后代介导的效应。我们在三种逐渐接近真实的场景中评估 CIG。首先，在具有已知因果模型的合成基准上，CIG 的归因与 Pearl 的 do-演算得出的真实因果效应最为吻合，在仅为因果 Shapley 值一小部分计算成本的情况下达到了与其相当的准确度。其次，在具有已知基因调控网络（Dyngen）的模拟单细胞基因表达数据上，CIG 最准确地恢复了驱动模拟的转录因子。第三，在真实的干扰素-$\beta$ 刺激数据上，仅可获得近似因果图，CIG 比 DeepSHAP 和积分梯度更好地优先识别出驱动所测响应的转录因子。总之，这些结果表明，将因果结构纳入基于梯度的归因能够恢复现有方法遗漏的上游驱动因素，同时不牺牲可扩展性。
| 评论： | 41 页（正文 9 页），18 幅图，32 张表。Joran Michiels 和 Anis Ismail 贡献相同。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.22126 [cs.LG] |
| （或 arXiv:2610.22126v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22126 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Joran Michiels [查看电子邮件]
[v1]
2026年10月15日星期四 16:02:18 UTC（2,527 KB）
来源：arXiv cs.AI · arxiv.org