利用 Shapley 加法自归因朝着忠实的神经网络内在解释
原文中文，约300字，阅读约需1分钟。发表于：。通过引入 Shapley 值，提出了一种能够确保自解释性的泛化的自加性自归属神经网络模型 (SASANet)。SASANet 模型通过基于边际贡献的串行架构和内部精炼训练策略将有意义的输出模建模为任意数量特征的精确的有意义的价值函数，并且实验结果表明 SASANet 在性能上超越了现有的自归属模型并且能够与黑盒模型相媲美，同时在解释其自身预测方面更为准确和高效。
该文介绍了一种新的神经网络模型SASANet，通过引入Shapley值实现自解释性和泛化性。该模型采用基于边际贡献的串行架构和内部精炼训练策略，能够精确地建模任意数量特征的有意义的价值函数。
