Skip to content
Hot eventLive

KPSA：核化参数敏感性图谱实现摊销条件可解释性

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月12日，arXiv Statistics Machine Learning 发布一手论文，提出 KPSA（Kernelized Parameter Sensitivity Atlas）。该方法从经验神经正切核的块分解推导而来，旨在面向摊销条件可解释性。其核心是用轻量核估计未见输入的归一化参数组敏感性，并给出有限源与不可约表示误差的界，以及 margin-based top-$k$ 恢复结果。目前公开信息仅涉及该论文内容，未见后续验证或应用报道。

Generated from reports · updated 3 hr ago

LatestOct 12
arXiv 发布 KPSA 论文，提出基于核的摊销条件参数敏感性图谱方法。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Statistics Machine Learning
    KPSA：面向摊销条件可解释性的核化参数敏感性图谱

    论文提出 KPSA（Kernelized Parameter Sensitivity Atlas），从经验神经正切核的块分解推导，用轻量核估计未见输入的归一化参数组敏感性，并给出有限源与不可约表示误差的界及 margin-based top-$k$ 恢复。

Heat trend

There is not enough continuous observation data to draw a trend yet.