arXiv · cs.AI· Nicola Rossberg, Bennett Kleinberg, Barry O'Sullivan, Luca Longo, Andrea Visentin·· 9 小时前
将特征可理解性融入特征选择以改进表格数据的以人为中心解释
Integrating Feature Understandability into Feature Selection for Human-Centred Tabular Explanations
arXiv:2610.16627v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Nicola Rossberg, Bennett Kleinberg, Barry O'Sullivan, Luca Longo, Andrea Visentin
研究任务与主要进展
一项研究将基于用户反馈的特征可理解性评分（Feature Understandability Scale）融入特征选择，在两个数据集上选择既可理解又有信息量的特征并训练随机森林，再用 SHAP 生成解释。个体评估中可理解性解释的平均得分更高但差异不具统计显著性；比较评估中参与者显著更频繁地偏好这类解释。作者认为该集成能以极小的分类性能代价换来更易懂的解释，但质量变化需在更大人群中进一步验证。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org