面向神经网络可解释性的后置特征选择层

论文提出不改动原模型的后置特征选择层解释方法。

资讯摘要

论文提出 post-hoc FSL：将特征选择层改造为轻量可训练模块，接入已冻结的预训练表格模型，依据原模型输出微调权重以学习特征相关性，且不改变原模型结构与参数。作者在合成与真实高维表格数据上，用准确率、F1、加权 t-SNE、轮廓系数等指标，与嵌入式 FSL 及 Integrated Gradients、DeepLIFT、Gradient SHAP 等后置解释方法比较，报告该方法能识别相关特征并保持原模型预测能力。

要点速读

1. post-hoc FSL 作为轻量模块接入冻结的预训练表格模型，不修改原模型架构与参数。
2. 通过原模型输出微调自身权重来学习特征相关性。
3. 实验用统计与可视化指标，与嵌入式 FSL 及多种后置解释方法对比，作者报告其能识别相关特征并保持预测能力。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。