Ψ-Resilience：基于一维拓扑信号的无模型特征重要性方法
Get the story
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。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.