כתבה
arXiv cs.AI ·
MCIR: תיאור חשיבה-מודלים חדש של פירוש תכונות
MCIR: A Feature Dependence-Aware Explainability Method with Reliability Guarantees
מאמר חדש מציג תיאור חשיבה-מודלים חדש של פירוש תכונות, המתמודד עם תלות חזקה בין התכונות.
תקציר מקורי באנגליתarXiv:2610.01641v1 Announce Type: cross Abstract: Modern machine-learning models often contain strongly dependent or redundant features, making feature attribution difficult because shared predictive information can be distributed across correlated predictors. Existing methods such as SHAP, LIME, HSIC, MI/CMI, and SAGE may therefore produce unstable rankings under multicollinearity or near-duplicate predictors. We propose the Mutual Correlation Impact Ratio Method (MCIR-M), a dependence-aware global feature-importance approach that quantifies the unique predictive information contributed by each feature beyond a selected dependence neighbourhood. MCIR-M introduces the Mutual Correlation Impact Ratio (MCIR), which conditions each feature on strongly dependent neighbours and computes a norma
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית