arXiv cs.AI· Kenton White·· 4 小时前AI 评分20
FLEX:面向多标签可解释性的带符号特征归因方法
Right Labels, Wrong Reasons: Signed Feature Attribution for Multi-Label Explainability
AI 导读
论文提出 FLEX(Fisher LDA Explainer),一种在完整二值标签矩阵上拟合单一直接多标签 Fisher LDA 的全局代理模型,可在统一坐标系中为每个标签生成带符号特征归因列表。
正文 · AI 翻译
摘要:当多标签分类器分配了正确的标签时,它可能是出于错误的原因。弥散的特征组合可能因分类器家族而异,并且缺乏主导特征。本文提出 FLEX(Fisher LDA Explainer),一种全局代理模型,它在完整的二值标签矩阵上拟合单个直接多标签 Fisher LDA,在单一连贯的坐标系中为每个标签生成带符号的特征归因列表。在所评估的基准和分类器家族中,FLEX 以始终如一的高保真度复现黑盒的预测。在大多数数据集上,跨标签池化协方差优于逐标签的替代方案,且当标签众多、正例稀缺时优势最大。FLEX 的保真度-复杂度帕累托曲线单调递增,为实践者提供了一条可预测的路径,随着使用更多特征而获得更高保真度的解释;并且一旦允许适度的特征预算,其样本内保真度就达到或领先于 Binary Relevance 替代方案。每个判别权重向量的幅度界定了其标签的可分性,标记出那些可能因错误原因而被正确预测的标签。所评估的分类器在应做出哪些预测上大体一致,但在没有单一特征占主导时,它们通过不同的特征子集达成这些决策。
| 评论: | 7 页,1 幅图,5 张表。已被 2027 年 IEEE 计算智能研讨会系列(IEEE SSCI 2027)接收,澳大利亚黄金海岸,2027 年 2 月 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| MSC 分类号: | 68T05, 62H30 |
| ACM 分类号: | I.2.6; I.5.2 |
| 引用为: | arXiv:2611.22515 [cs.LG] |
| (或 arXiv:2611.22515v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22515 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Kenton White [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 10:07:21 UTC(43 KB)
来源:arXiv cs.AI · arxiv.org