FreqX：分析归因方法在另一领域的表现
机器学习
2025-04-01 v2 人工智能
摘要
个人化联邦学习（PFL）允许客户端在不披露其私有数据集的情况下协作训练个人化模型。然而，PFL 面临非独立同分布（Non-IID）、异构设备、缺乏公平性和贡献不清晰等挑战，这些挑战迫切需要对深度学习模型进行解释性来克服。这些挑战提出了对解释性的新需求：低成本、隐私和详细信息。目前没有任何解释方法能满足这些要求。在本文中，我们提出了一种新颖的解释方法 \emph{FreqX}，通过引入信号处理和信息论。我们的实验表明，FreqX 的解释结果包含归因信息和概念信息。FreqX 的运行速度至少是包含概念信息的基线方法的 10 倍。
引用
@article{arxiv.2411.18343,
title = {FreqX: Analyze the Attribution Methods in Another Domain},
author = {Zechen Liu and Feiyang Zhang and Wei Song and Xiang Li and Wei Wei},
journal= {arXiv preprint arXiv:2411.18343},
year = {2025}
}
备注
16pages, 9 figures