基于相关性感知的特征归因可解释人工智能

可解释人工智能(XAI)正变得越来越重要，因为现代模型日益复杂，且高风险应用要求实现透明度、可信度和监管合规。现有全局归因方法往往计算成本高，在相关输入下缺乏稳定性，且难以有效扩展到大型或异构数据集。我们提出ExCIR(Explainability through Correlation Impact Ratio)，一种具备相关性感知的归因得分，配备轻量级传输协议，仅用数据集的一小部分即可复现完整模型的排序。ExCIR通过在特征和输出上执行鲁棒居中化(例如减去中位数或中间均值)后，量化特征与模型输出之间符号对齐的共同运动。我们进一步引入BlockCIR，ExCIR的组wise扩展，对一组相关特征进行单一单元评分。通过对预定义或数据驱动的组内聚合相同的符号共同运动分子和幅度，BlockCIR缓解了在共线簇(例如同义词或重复传感器)中的双计数问题，yield更平滑、更稳定的排序当存在强依赖关系时。在多样化的文本、表格、信号和图像数据集上，ExCIR与 established global baselines和完整模型表现出可信的一致性，deliver consistent top-k rankings across settings，并通过对子集行的轻量级评估显著减少运行时间。总体而言，ExCIR为实际部署提供了计算高效、一致且可扩展的可解释性。