热点事件持续更新
研究团队提出KPSA方法实现高效条件可解释性
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月12日，相关研究团队在arXiv发布成果，提出用于均摊条件可解释性的核化参数敏感度图集（KPSA）。该方法通过经验神经切线核的分块分解与轻量核方法，能够快速估计未见输入的参数敏感度。测试结果显示，在0.02%至0.1%的参数预算下，KPSA选出的参数组所具有的扰动敏感度可达到一阶反向传播Oracle的39%至85%，展示了在低预算下高效估计敏感度的能力。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
研究人员提出KPSA方法，在极低参数预算下敏感度可达一阶反向传播Oracle的39%至85%。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习用于均摊条件可解释性的核化参数敏感度图集 KPSA
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%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。