Alike Parts：基于特征信息的局部与全局原型解释方法
机器学习
2026-05-22 v1
摘要
原型基解释提供了一种直观的基于示例的方法来支持机器学习黑箱分类器的可解释性，但常常缺乏特征层面的细粒度。我们引入了一个框架，在两个层面集成特征重要性，以解决这一差距。首先，对于局部解释，我们提出了"相似部分(alike parts)"：一种使用特征重要性得分来突出显示被分类实例与其最近原型之间最相关、共享的特征子集的方法，引导用户注意力。其次，我们将特征重要性项增强到全局原型选择目标函数中，以主动促进所选原型特征归因的多样性。在六个基准数据集上的实验表明，这种增强的选择过程在保持或在某些情况下提高了替代模型的预测保真度，这表明特征多样性并不损害模型保真度。
引用
@article{arxiv.2605.21646,
title = {Alike Parts: A Feature-Informed Approach to Local and Global Prototype Explanations},
author = {Jacek Karolczak and Jerzy Stefanowski},
journal= {arXiv preprint arXiv:2605.21646},
year = {2026}
}
备注
Accepted for publication in International Journal of Applied Mathematics and Computer Science (IJAMCS)