arXiv cs.AI· Rishav Mukherjee, Jeffrey Ahearn Thompson·· 3 天前AI 评分20
JEDI-net：联合嵌入与动态集成网络
Joint Embedding with Dynamic Integration network (JEDI-net)
AI 导读
JEDI-net（Joint Embedding with Dynamic Integration Network）是一种统一架构，在优化过程中周期性对 SHAP 值聚类，识别具有相似特征重要性模式的潜在子群，并将其身份直接嵌入网络，使预测能适应每个观测的预测结构。该工作基于此前的 FORCE 方法，后者已证明按特征重要性画像聚类可提升神经网络性能。
正文 · AI 翻译
摘要：深度学习已成为机器学习的主要形式，部分原因在于它能够从数据中自动构建复杂的元特征。然而，即使是深度学习特征，也可能因未观测到的潜在因素而表现不稳定。显式地纳入潜在因素信息，可以让模型根据这些推断出的因素改变自身行为，从而提升性能。由于神经网络通常能内在地捕捉这种复杂性，对原始特征空间进行外部聚类带来的收益有限。按特征重要性剖面而非原始特征对观测进行聚类，提供了一种有原则的方法来揭示潜在结构，因为具有相似重要性模式的观测可能共享预测动态。在此前的工作中，我们提出了面向特征的聚类与解释表示（FORCE），并表明这种方法可测量地提升了神经网络性能。在本文中，我们提出 JEDI-net（联合嵌入与动态集成网络），这是一种统一架构，在优化过程中定期对 SHAP 值进行聚类，以识别具有相似特征重要性模式的潜在子群，并将其身份直接嵌入网络中，使预测能够适应每个观测的预测结构。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17314 [cs.LG] |
| （或 arXiv:2610.17314v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17314 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rishav Mukherjee [查看电子邮件]
[v1]
2026年10月12日星期一 19:13:24 UTC（406 KB）
来源：arXiv cs.AI · arxiv.org