FRInGe：基于Fisher-Rao几何的分布空间积分梯度
机器学习
2026-05-08 v1
摘要
基于梯度的归因方法具有模型忠实度和可扩展性，但积分梯度（IG）可能较为脆弱，因为其解释依赖于启发式基线、直线路径、离散化和饱和。我们提出了Fisher-Rao积分梯度（FRInGe），它在预测分布空间中同时定义了参考和插值调度。FRInGe用最大熵预测参考代替输入基线，并遵循概率单纯形上的Fisher-Rao测地线。相应的输入空间轨迹通过拉回Fisher度量实现，并由KL和欧几里得信赖域稳定；归因通过沿该轨迹积分输入梯度获得。在六种ImageNet架构上，FRInGe最显著地改善了面向校准的归因指标，尤其是MAS分数，同时在扰动AUC和不忠实度上保持竞争力。
引用
@article{arxiv.2605.06404,
title = {FRInGe: Distribution-Space Integrated Gradients with Fisher--Rao Geometry},
author = {Gabriele Martino and Sebastian Tschiatschek},
journal= {arXiv preprint arXiv:2605.06404},
year = {2026}
}