热点事件观察中
学者提出时序预测归因框架TempShap
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年10月27日，相关学者在arXiv发布了关于TempShap的研究成果。TempShap是一种基于损失的回溯性Shapley解释框架，通过将每个输入单元视为博弈参与者，用于解析时间序列预测中特征的作用时间以及其在预测期内的影响变化。该框架利用置换共享机制降低了单元级计算成本，其归因张量可生成时间定位与预测期影响分布。实验评估表明，TempShap在输入存在冗余的情况下能够保留总价值，并在多种预测基准及模型家族的特征删除排序测试中展现出性能优势。
AI 根据报道生成 · 3 小时前更新
最新进展10月27日 12:00
学者在arXiv发布时序归因框架TempShap，可解析特征作用时间与预测期影响。报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv 人工智能TempShap：解析时间序列预测中特征作用时间与影响程度
TempShap 是一种基于损失的回溯性 Shapley 解释框架，将每个输入单元 $(t,i)$ 视为博弈参与者，以解决时间序列预测中特征作用时间及预测期影响变化的问题。该框架通过置换共享降低单元级计算成本，其归因张量可生成时间定位与预测期影响分布。实验表明，TempShap 在冗余输入下能保留总价值，并在多种预测基准和模型家族的特征删除排序中展现出优势。
本事件热度走势
当前热度 5·可比范围峰值 5（10月28日 11:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。