ExplainerPFN: Importanza delle caratteristiche zero-shot per dati tabulari
Un nuovo metodo chiamato ExplainerPFN calcola l'importanza delle caratteristiche in compiti di classificazione supervisionata senza accedere al modello sottostante. Basato su TabPFN, apprende un'attribuzione media a posteriori da dataset causali strutturali sintetici, mirando ad attribuzioni 'vere rispetto ai dati' piuttosto che 'vere rispetto al modello'. Questo affronta la non identificabilità dei valori di Shapley quando sono disponibili solo i dati di input.
Fatti principali
- ExplainerPFN è un modello fondamentale per dati tabulari
- Calcola l'importanza delle caratteristiche in un contesto zero-shot
- Richiede solo la distribuzione dei dati di input, non valutazioni del modello
- Apprende un'attribuzione media a posteriori sotto un prior di meta-addestramento
- Basato su TabPFN
- Pre-addestrato su dataset causali strutturali sintetici
- Mira ad attribuzioni 'vere rispetto ai dati'
- Affronta la non identificabilità dei valori di Shapley
Entità
—