Disentangled Feature Importance
解耦特征重要性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：摘要聚焦特征重要性的定义、归因估计与影响函数推断，属于方法论与统计学习议题，未涉及所给微观、宏观或金融领域细分的具体文本依据。
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…
解耦特征重要性
- 研究问题
- 当预测变量存在统计相依时，如何定义并估计用于事后解释的特征重要性，以归因跨相关测量通道的共享预测信号，而非把共享信息视为冗余。
- 方法与思路
- 作者提出解耦特征重要性（DFI）：在指定的熵最优传输几何下把协变量映射到独立潜表示，计算潜变量重要性，再通过重心敏感性归因回原始协变量；并推导基于影响函数的推断。
- 材料陈述的贡献
- 摘要称，条件增量型重要性泛函在平方误差损失下针对的是条件增量预测价值，与相依情形下共享预测信号的归因是不同问题；DFI 在固定传输成本、参考分布与正则水平下构成良定义的估计目标族，潜分数具有函数型 ANOVA 解释，高斯线性情形下归因结果还原经典 R² 分解。
- 阅读关注点
- 应核对熵最优传输几何、参考分布与正则水平的具体设定，潜表示独立性的识别条件，重心敏感性归因的构造，影响函数推断所需的 nuisance 收敛率与光滑性条件，以及模拟与 HIV-1 中和抗性分析中不确定性量化的实现方式。
- 阅读边界
- 仅依据摘要，无法判断定理的完整假设、估计量的有限样本表现、模拟设计细节与实证数据结论；摘要未说明与既有重要性方法的系统比较。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
When predictors are statistically dependent, the appropriate definition of feature importance depends on the operational goal. Conditional-incremental measures are well-suited for feature selection, acquisition, and compression, where shared predictive information is treated as redundancy. For post-hoc interpretation, however, the goal is often to attribute predictive signals across correlated measurement channels. We introduce Disentangled Feature Importance (DFI), a population-level attribution framework for this setting. DFI maps covariates to an independent latent representation under a specified entropic optimal transport geometry, computes latent importance, and attributes it back to the original covariates through barycentric sensitivities. We show that broad conditional-incremental FI functionals target conditional incremental predictive value under squared-error loss, and therefore answer a different question from attribution of shared predictive signal under dependence. Under fixed transport cost, reference law, and regularization level, DFI defines a well-specified family of estimands. Latent scores admit a functional ANOVA interpretation, and in the Gaussian linear case, the attributed DFI recovers the classical $R^2$ decomposition for correlated regressors. We derive influence-function-based inference under nuisance-rate and smoothness conditions, and show in simulations and an HIV-1 neutralization-resistance analysis that DFI yields stable, interpretable, uncertainty-quantified attributions of shared predictive signal.