EviNAM: 基于证据神经加性模型的可理解性与不确定性
机器学习
2026-01-14 v1
摘要
可理解性与准确的不确定性估计对于可靠决策至关重要。本文提出 EviNAM，作为证据学习的一种扩展，将神经加性模型 (NAM) 的可解释性与有原则的不确定性估计相结合。与标准贝叶斯神经网络和已有的证据方法不同，EviNAM 能够在单次前向传播中同时估计偶然不确定性与认知不确定性，并给出显式的特征贡献。在合成数据与真实数据上的实验表明，EviNAM 达到了 SOTA 的预测性能。虽然本文聚焦于回归任务，但该方法可自然地扩展至分类任务与广义加性模型，为更具可理解性与可信赖性的预测提供了一条途径。
引用
@article{arxiv.2601.08556,
title = {EviNAM: Intelligibility and Uncertainty via Evidential Neural Additive Models},
author = {Sören Schleibaum and Anton Frederik Thielmann and Julian Teusch and Benjamin Säfken and Jörg P. Müller},
journal= {arXiv preprint arXiv:2601.08556},
year = {2026}
}