超越线性代理：黑箱模型的高保真局部解释
机器学习
2026-03-24 v3 人工智能
摘要
随着黑箱机器学习模型复杂度的增加及其在高风险领域的采纳，为其预测提供解释变得至关重要。现有局部解释方法在生成高保真解释方面存在不足。本文提出一种新颖的局部模型中性解释方法，利用多变量自适应回归样条 (MARS) 和 N-ball 采样策略生成高保真解释。MARS 用于建模非线性局部边界，有效捕捉参考模型的底层行为，从而增强局部保真度。N-ball 采样技术直接从所需分布对扰动样本进行采样，而非对其进行重新加权，从而进一步提高忠诚度。本文的方法性能以均方根误差 (RMSE) 为指标，并在五个不同基准数据集上进行评估（使用不同的核宽度）。实验结果表明，所提方法相对于基线局部解释方法实现了 32% 的均方根误差降低，表明对黑箱模型的局部逼近更为准确。此外，统计分析显示，在所有基准数据集上，所提方法的结果均显著优于基线方法。这篇论文为可解释 AI 领域的发展提供了洞见，旨在惠及更广泛的研究和实践社区。
引用
@article{arxiv.2512.05556,
title = {Beyond Linear Surrogates: High-Fidelity Local Explanations for Black-Box Models},
author = {Sanjeev Shrestha and Rahul Dubey and Hui Liu},
journal= {arXiv preprint arXiv:2512.05556},
year = {2026}
}
备注
Accepted at the AAAI Spring Symposium Series 2026