Feature Attribution with Necessity and Sufficiency via Dual-stage Perturbation Test for Causal Explanation
通过双阶段扰动检验实现必要性与充分性特征归因AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦机器学习预测的特征解释，未明确研究经济处理效应或其他所列计量细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过双阶段扰动检验实现必要性与充分性特征归因
- 研究问题
- 当不同特征受扰动后产生相似的预测变化时，如何区分其重要性？研究以必要性与充分性概率刻画特征对模型预测的贡献。
- 方法与思路
- 作者提出 FANS，启发式寻找输入邻域，结合事实与干预两个阶段的扰动检验，并用观察样本重抽样近似所需条件分布。
- 材料陈述的贡献
- 摘要称，该方法用必要性与充分性概率作为特征重要性，增强扰动归因的区分能力，并在六个基准上优于已有归因方法。
- 阅读关注点
- 应核对必要性与充分性概率的定义和识别依据、邻域选择规则，以及重抽样近似条件分布的有效性与基准评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明反事实识别条件和数值结果，预测归因也不能直接解释为现实干预效应。
原文摘要
We investigate the problem of explainability for machine learning models, focusing on Feature Attribution Methods (FAMs) that evaluate feature importance through perturbation tests. Despite their utility, FAMs struggle to distinguish the contributions of different features, when their prediction changes are similar after perturbation. To enhance FAMs' discriminative power, we introduce Feature Attribution with Necessity and Sufficiency (FANS), which find a neighborhood of the input such that perturbing samples within this neighborhood have a high Probability of being Necessity and Sufficiency (PNS) cause for the change in predictions, and use this PNS as the importance of the feature. Specifically, FANS compute this PNS via a heuristic strategy for estimating the neighborhood and a perturbation test involving two stages (factual and interventional) for counterfactual reasoning. To generate counterfactual samples, we use a resampling-based approach on the observed samples to approximate the required conditional distribution. We demonstrate that FANS outperforms existing attribution methods on six benchmarks. Please refer to the source code via \url{https://github.com/DMIRLAB-Group/FANS}.