arXiv cs.AI· Mahmoud Sanad, Mohammed Bakr Sikal, Osama Abboud, Heba Khdr, J\"org Henkel·· 10 小时前AI 评分20
LEX：面向 OOD 鲁棒运行时预测的 XAI 驱动置信度估计框架
XAI-Driven Confidence Estimation for OOD-Resilient Runtime Prediction
AI 导读
研究者提出 Lightweight Runtime EXplainability（LEX），首个用于 ML 资源管理模型的事后 XAI 框架，可在不重训练的情况下为每个输入给出细粒度运行时置信度。
正文 · AI 翻译
摘要：基于机器学习的资源管理（RM）模型在运行时遇到分布外（OOD）输入时性能会下降，然而文献中的现有方法依赖单一的全局误差界限，这种界限过于保守，且无法区分可靠预测与灾难性失败。我们提出轻量级运行时可解释性（LEX），这是首个用于基于 ML 的 RM 中输入特定运行时置信度估计的事后 XAI 框架。LEX 使用高斯混合模型对训练输入空间的嵌入进行聚类，并将每个聚类的预测误差界限关联到输入样本，从而无需重新训练即可实现细粒度的运行时置信度信号。在 Intel Alder Lake 上对最先进的基于 LSTM 的 IPS 预测模型进行评估，涵盖 34 个基准应用，LEX 在未见工作负载上实现了约 94% 的包含率，并产生比全局基线紧约 17% 的每输入置信度界限。凭借可忽略的运行时开销，LEX 通过为 ML 预测提供可解释且可靠的输入特定置信度信号，推动了该领域的发展，从而使基于 ML 的资源管理在运行时对 OOD 具有弹性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13199 [cs.LG] |
| （或 arXiv:2611.13199v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.13199 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mahmoud Sanad [查看电子邮件]
[v1]
2026年11月9日星期一 20:23:12 UTC（3,391 KB）
来源：arXiv cs.AI · arxiv.org