Краткое содержание

arXiv:2411.02221v2 Тип объявления: replace-cross Аннотация: Важность переменных является одним из наиболее широко используемых показателей для интерпретации машинного обучения, вызывая значительный интерес как со стороны статистического, так и машинно-обучающего сообществ. Недавно все большее внимание уделяется количественной оценке неопределенности в этих показателях. Текущие подходы в основном основаны на одноступенчатых процедурах, которые, хотя и асимптотически эффективны, могут демонстрировать повышенную чувствительность и нестабильность в условиях конечной выборки. Для преодоления этих ограничений мы предлагаем новый метод, использующий рамку целенаправленного обучения (TL), разработанную для повышения устойчивости вывода для показателей важности переменных. Наш подход особенно подходит для условной перестановочной важности переменных. Мы показываем, что он (i) сохраняет асимптотическую эффективность традиционных методов, (ii) поддерживает сопоставимую вычислительную сложность и (iii) обеспечивает улучшенную точность, особенно в условиях конечной выборки. Мы дополнительно подтверждаем... Продолжение текста отсутствует, но предполагается, что оно будет следовать аналогичному стилю и содержать доказательства или примеры для поддержки утверждений. Для завершения перевода необходимо добавить последнюю часть: (iii) обеспечивает улучшенную точность, особенно в условиях конечной выборки. Мы дополнительно подтверждаем это через симуляции и анализ реальных данных.