09:32
官方账号arXiv cs.AI@Xu Zheng, Zichuan Liu, Zhuomin Chen, Mayur Akewar, Janki Bhimani, Jason Liu, Mo Sha, Jingchao Ni, Wei Cheng, Dongsheng Luo
推荐理由：这篇论文提出了一个新颖的时间序列解释框架{\modelname}，它结合了归因和反事实解释，对于需要透明和可解释模型行为的应用来说非常有用，值得一读。
信息瓶颈
共 2 条相关 AI 资讯
8月27日
09:32
现有时间序列数据深度学习模型解释方法分为归因解释和反事实解释，但两者研究独立，导致归因方法缺乏因果验证，反事实方法不稳定。本文从信息论角度重新审视时间序列可解释性，提出统一目标函数，引入模型{\modelname}，在合成和真实世界基准上优于现有方法，提供可靠归因和稳定的反事实解释。
7月20日
09:32
09:32
官方账号arXiv cs.AI@Wendi Yu, Lianhao Zhou, Xiangjue Dong, Sai Sudarshan Barath, Declan Staunton, Byung-Jun Yoon, Xiaoning Qian, James Caverlee, Shuiwang Ji
推荐理由：这篇论文从信息瓶颈角度讲清楚了多智能体系统在什么时候比单智能体更有优势，还通过18个实验验证了弱模型受益多、强模型受益少。