arXiv:2604.11253stat.MLcs.LG2026-04
提出新方法避免特征重要性计算中的外推错误。
Trustworthy Feature Importance Avoids Unrestricted Permutations
- 基于条件模型依赖与高斯变换的敲诈法
- 受限的ALE图设计有效减少外推误差
- 适用于需要可靠特征解释的场景
使用无限制置换的特征重要性方法存在外推误差，此类误差在所有非平凡的变量重要性方法中均会出现。本文提出三种新方法：条件模型依赖与高斯变换的敲诈法，以及受限的ALE图设计。理论与数值结果表明，这些策略能有效降低甚至消除外推误差。
原文摘要 · Abstract (English)
Feature importance methods using unrestricted permutations are flawed due to extrapolation errors; such errors appear in all non-trivial variable importance approaches. We propose three new approaches: conditional model reliance and Knockoffs with Gaussian transformation, and restricted ALE plot designs. Theoretical and numerical results show our strategies reduce/eliminate extrapolation.
特征重要性外推误差模型解释
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。