arXiv cs.AI· Vasilis Gkolemis, Loukas Kavouras, Dimitrios Kyriakopoulos, Konstantinos Tsopelas, Dimitrios Rontogiannis, Giuseppe Casalicchio, Theodore Dalamagas, Christos Diou·· 10 小时前AI 评分31
可解释性设计：条件可加局部模型 CALMs 兼顾 GAM 可解释性与 GA²Ms 精度
Interpretability-by-Design with Accurate Locally Additive Models and Conditional Feature Effects
AI 导读
研究者提出条件可加局部模型（CALMs），每个特征可拥有多个单变量形状函数，各函数由该特征交互对象的简单阈值条件在不同输入子区域激活，使效应保持局部可加同时捕捉交互。
正文 · AI 翻译
摘要：广义加性模型（GAMs）通过独立的单变量特征效应提供高可解释性，但当数据中存在交互作用时会出现欠拟合。GA$^2$Ms 加入选定的成对交互作用，从而提高了准确率，但牺牲了可解释性。我们提出条件加性局部模型（CALMs），这是一种新的模型类别，缩小了这一权衡：它在可解释性上接近 GAMs，在准确率上接近 GA$^2$Ms。CALMs 允许每个特征有多个单变量形状函数，每个函数在输入空间的不同区域中生效。这些区域针对每个特征独立定义，形式为对其所交互特征的简单逻辑条件（阈值）。因此，效应在局部保持可加性，同时在不同子区域间变化以捕捉交互作用。我们进一步提出一种基于蒸馏的原则化训练流程，该流程识别交互作用有限的同质区域，并通过区域感知的反向拟合来拟合可解释的形状函数。在多种分类和回归任务上的实验表明，CALMs 始终优于 GAMs，并达到与 GA$^2$Ms 大致相当的准确率，同时保留了 GA$^2$Ms 所放弃的单变量可审计性。
| 评论： | 已被 NeurIPS 2026 接收。35 页，10 幅图。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.16503 [cs.LG] |
| （或 arXiv:2602.16503v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.16503 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Vasilis Gkolemis [查看邮箱]
[v1]
2026 年 2 月 18 日星期三 14:45:33 UTC（350 KB）
[v2]
2026 年 10 月 30 日星期五 17:53:59 UTC（459 KB）
来源：arXiv cs.AI · arxiv.org