神经可添加专家：可控模型可添加性的情境门控专家
机器学习
2026-02-12 v1 人工智能
摘要
解释性与准确性之间的权衡是机器学习中的核心挑战。标准广义可添加模型(GAMs)提供清晰的特征归因，但严格的可添加性限制了预测性能。引入特征交互可提升准确性，却可能模糊单个特征贡献。为此，我们提出神经可添加专家(NAEs)，一种无缝平衡解释性与准确性的新框架。NAEs采用专家混合框架，为每个特征学习多个专门网络，同时动态门控机制整合跨特征信息，从而松弧刚性可添加约束。进一步，我们提出针对性的正则化技术以缓解专家预测间的方差，实现从纯粹可添加模型向捕获复杂特征交互的模型的平滑过渡，同时保持特征归因的清晰度。我们的理论分析和合成数据实验说明了模型的灵活性，广泛的真实数据评估表明，NAEs在预测准确性和透明特征层次解释之间实现了最佳平衡。代码已公开：https://github.com/Teddy-XiongGZ/NAE。
引用
@article{arxiv.2602.10585,
title = {Neural Additive Experts: Context-Gated Experts for Controllable Model Additivity},
author = {Guangzhi Xiong and Sanchit Sinha and Aidong Zhang},
journal= {arXiv preprint arXiv:2602.10585},
year = {2026}
}
备注
AISTATS 2026