MAnchors：通过规则复用与转换实现基于记忆的锚点加速
机器学习
2026-01-29 v2 人工智能
摘要
Anchors是一种流行的局部模型无关解释技术，但其适用性受限于计算效率低下。为解决这一局限，我们提出了一种基于记忆的框架，在保持解释保真度与可解释性的同时加速Anchors。我们的方法利用了Anchors算法的迭代特性——该算法通过逐步细化解释直至对给定输入足够精确——通过存储和复用 prior 解释中获得的中间结果来实现。具体而言，我们维护一个低精度、高覆盖率的规则记忆，并引入规则转换框架来将其适配到新输入：水平转换通过替换特征将预训练的解释适配到当前输入，垂直转换则将通用解释逐步细化直至对输入足够精确。我们在表格、文本和图像数据集上评估了所提方法，结果表明该方法显著减少了解释生成时间，同时保持了保真度与可解释性，从而使Anchors在时间敏感的应用中的实际部署成为可能。
引用
@article{arxiv.2502.11068,
title = {MAnchors: Memorization-Based Acceleration of Anchors via Rule Reuse and Transformation},
author = {Haonan Yu and Junhao Liu and Xin Zhang},
journal= {arXiv preprint arXiv:2502.11068},
year = {2026}
}