可解释的Wasserstein距离：洞察数据集偏移与传输现象
机器学习
2026-03-03 v2 人工智能
计算机视觉与模式识别
摘要
Wasserstein距离为比较数据分布提供了一个强大的框架。它们可用于分析随时间变化的过程或检测数据内的不均匀性。然而，仅仅计算Wasserstein距离或分析相应的传输计划（或耦合）可能不足以理解哪些因素导致了Wasserstein距离的高低。在这项工作中，我们提出了一种基于可解释人工智能（Explainable AI）的新颖解决方案，使我们能够高效、准确地将Wasserstein距离归因于各种数据成分，包括数据子群、输入特征或可解释的子空间。我们的方法在多种数据集和Wasserstein距离规范下均达到了高精度，并通过三个用例展示了其实用性。
引用
@article{arxiv.2505.06123,
title = {Wasserstein Distances Made Explainable: Insights Into Dataset Shifts and Transport Phenomena},
author = {Philip Naumann and Jacob Kauffmann and Grégoire Montavon},
journal= {arXiv preprint arXiv:2505.06123},
year = {2026}
}