ChaosMining: A Benchmark to Evaluate Post-Hoc Local Attribution Methods in Low SNR Environments

在这项研究中，我们研究了事后局部归因方法在低信噪比（SNR）领域中识别具有预测能力的特征和无关特征的有效性，这是实际机器学习应用中常见的情况。我们开发了包含符号函数、图像和音频数据的合成数据集，并包含了一个关于（模型×归因×噪声条件）三元组的基准。通过严格测试各种经典模型的性能，我们获得了有关这些归因方法在多种条件下表现的有价值的见解。基于这些发现，我们介绍了一个新颖的扩展到著名的递归特征消除（RFE）算法，增强了其对神经网络的适用性。我们的实验突出了它在预测和特征选择方面的优点，但在可扩展性方面存在局限性。附录中包含了更多细节和其他次要发现，并进行了广泛的讨论。代码和资源可在\href{https://github.com/geshijoker/ChaosMining/}{URL}上找到。

本论文旨在研究后续局部归因方法在低信噪比领域中识别具有预测能力的特征和无关特征的有效性。

本论文提出了一种改进的递归特征消除算法，增强了其在神经网络中的适用性，用于预测和特征选择。

实验设计了包括符号函数、图像和音频数据的合成数据集，并在多种条件下测试了各种经典模型的表现，发现递归特征消除算法在预测和特征选择方面表现出优势，但在可扩展性方面存在局限性。论文附有详细的附录和讨论，并提供了代码和资源。

相关研究包括局部归因方法在机器学习中的应用、递归特征消除算法在特征选择中的应用等。