ChaosMining：低信噪比环境下事后局部归因方法评估基准

在本研究中，我们考察了事后局部归因方法在低信噪比（SNR）领域（现实世界机器学习应用中的常见场景）中，从无关特征中识别具有预测能力的特征的有效性。我们开发了包含符号函数、图像和音频数据的合成数据集，并引入了一个基于{\it (模型 × 归因 × 噪声条件)}三元组的基准。通过对各种从头训练的经典模型进行严格测试，我们获得了关于这些归因方法在多种条件下性能的宝贵见解。基于这些发现，我们对著名的递归特征消除（RFE）算法提出了一种新颖的扩展，增强了其在神经网络中的适用性。我们的实验突显了其在预测和特征选择方面的优势，同时也指出了可扩展性方面的局限性。更多细节和其他次要发现包含在附录中，并附有广泛的讨论。代码和资源可在\href{https://github.com/geshijoker/ChaosMining/}{URL}获取。