谱谱模型解释器：基于谱数据的机器学习模型的化学导向解释框架
机器学习
2026-05-05 v1 应用物理
摘要
谱基机器学习模型在化学计量学和光谱学中日益广泛应用，其中预测准确性与可解释性同等重要。当前所采用的可解释人工智能（XAI）方法主要从制表或通用多变量领域调整，将相关性分配给孤立的谱变量，而非化学意义上的谱区。流行的工具如SHapley Additive exPlanations（SHAP）、置换特征重要性（PFI）和变量投影重要性评分（VIP）并非为谱数据的物理连续性和高度共线性所设计，其变量级输出需要事后聚合以恢复区域级信息。本研究引入谱模型解释器（SMX），这是一种后处理的、全局的、模型无关的XAI框架，通过专家信息的谱区解释光谱分类器。SMX通过主成分分析（PCA）总结每个区域，定义基于分位数的逻辑谓词，对谱子样本中的谓词相关性进行估计，并对袋图排序进行加权聚合，最终以局部到达中心性（Local Reaching Centrality）概括为有向加权图。关键组件是阈值谱重建，该方法将谓词边界反向投影到原始谱域，采用自然测量单位，使其能够直接与测量谱进行视觉比较。该方法在八个真实谱数据集（六个基于X射线荧光--XRF，两个基于伽马射线谱）以及一个具有已知特征的合成基准上进行评估。
引用
@article{arxiv.2605.02684,
title = {Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models},
author = {Jose Vinicius Ribeiro and Rafael Figueira Goncalves and Fabio Luiz Melquiades and Sylvio Barbon Junior},
journal= {arXiv preprint arXiv:2605.02684},
year = {2026}
}