热点事件持续更新
研究团队提出无模型特征重要性评估方法Psi-Resilience
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5日，研究团队提出了一种名为Psi-Resilience的无模型特征重要性评估方法。该方法通过类别条件密度差异构建一维拓扑信号，利用0维持续性直接从数据中提取可审计的特征重要性评分。在合成数据集测试中，该方法的特征排序Spearman秩相关系数最高达0.8，表现媲美SHAP与互信息等传统方法；在真实数据集上，其与现有方法的相关性高达0.9，能够在无需预测模型的情况下直接实现分布级审计。
AI 根据报道生成 · 2 小时前更新
最新进展10月5日 12:00
研究团队提出Psi-Resilience无模型特征评估方法，无需预测模型即可实现分布级审计。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv 机器学习$\Psi$-Resilience：基于一维拓扑信号的无模型特征重要性方法
研究者提出无模型特征重要性评估方法 $\Psi$-Resilience，通过类别条件密度差异构建一维拓扑信号，利用 0 维持续性直接从数据中提取可审计的特征重要性评分。在合成数据集上，该方法特征排序的 Spearman 秩相关系数最高达 0.8，表现媲美 SHAP 与互信息等方法。在真实数据集上其与现有方法的相关性高达 0.9，无需预测模型即可实现分布级审计。
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。