arXiv 机器学习· Davide Wiest, Ahanaf Hasan Ariq, Abdul Monaf Chowdhury·2026-10-12 12:00· 6 小时前AI 评分36

用于均摊条件可解释性的核化参数敏感度图集 KPSA

Kernelized Parameter Sensitivity Atlases for Amortized Conditional Interpretability

AI 导读

研究人员提出核化参数敏感度图集 KPSA，通过经验神经切线核的分块分解与轻量核方法，快速估计未见输入的参数敏感度。在 0.02%-0.1% 的参数预算下，KPSA 选出参数组的扰动敏感度可达一阶反向传播 Oracle 的 39%-85%。

来源：arXiv 机器学习 · arxiv.org