热点事件持续更新
Ψ-Resilience：基于一维拓扑信号的无模型特征重要性方法
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
2026年10月5日，研究者在 arXiv（Machine Learning Theory）提出 Ψ-Resilience，一种无模型特征重要性方法。该方法先估计类条件密度，沿特征轴取逐点绝对差构建类分歧景观，再以该一维信号的 0 维持续性定义韧性泛函，生成可审计的重要性评分。论文报告：在合成数据集上，其 Spearman 秩相关最高达 0.8，与 SHAP 和互信息等方法表现相当；在真实数据集上相关性最高达 0.9。目前公开信息仅含该论文报道，尚未见后续验证或独立复现结果。
AI 根据报道生成 · 15 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Machine Learning TheoryΨ-Resilience：基于 1D 拓扑信号的无模型特征重要性方法
研究者提出 Ψ-Resilience，一种无模型特征重要性方法，通过估计类条件密度并沿特征轴取逐点绝对差构建类分歧景观，再以该 1D 信号的 0 维持续性定义韧性泛函，生成可审计的重要性评分。在合成数据集上，其 Spearman 秩相关最高达 0.8，与 SHAP 和互信息等方法表现相当；在真实数据集上相关性最高达 0.9。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。