知识卡片：概率线性解释

英文标题：Probabilistic Linear Explanations

英文关键词（据材料术语提取）：probabilistic explainability; sparse anchored linear models; Boolean hypercube; relevance error; fidelity error; Mixed Integer Programming (MIP); Iterative Hard Thresholding (IHT); LIME; MAPLE

一句话结论

论文摘要提出一个统一的概率可解释性框架，用稀疏、锚定线性模型同时面向二分类与连续回归，并给出 MIP 与 IHT 两类求解路线；摘要称其解释按构造满足锚定与稀疏约束，并比 LIME、MAPLE 等基线取得更低 relevance error。

事件概述或研究问题

形式化可解释性可为个体预测提供数学上 grounded 的 justification，但溯因解释（abductive explanations）常因涉及过多特征而超出人类认知限制；概率化放松此前又主要限于分类任务。本文关注的问题是：能否为个体预测提供概率化、可控稀疏、且可推广到回归的线性解释。

方法/产品要点

• 将实例映射到 Boolean hypercube。
• 线性解释严格推广基于子集的方法：既捕捉特征贡献的大小，也捕捉方向，并执行规定的稀疏预算 (k)。
• 定义 relevance error；摘要称当底层模型是神经网络时，最小化该目标为 ClassNPPP-hard。
• 将这一难解目标关联到可处理代理 fidelity error。
• 对参数化局部分布族，任意 (k)-稀疏解释的 relevance error 可由其 fidelity error 乘以一个局部保持较小的因子来界定。
• 两种互补求解方法：MIP 公式可给出可证明最优的经验解，同时保持多项式样本复杂度；多项式时间 IHT 算法具有可证明近似保证。
• 实证评估比较 LIME、MAPLE 等 state-of-the-art 基线。

主要结果或产业意义

• 提出统一二分类与连续回归的概率可解释框架。
• 摘要称其解释按构造满足 anchoring 和 sparsity 约束，并持续实现更低 relevance error。
• 产业意义：材料未直接讨论具体行业部署或经济效益；对需要个体预测解释且控制解释复杂度的场景可能有用，但实际价值待核实。

为什么重要

• 把形式化可解释性从分类扩展到回归，并用稀疏线性形式控制解释复杂度。
• 将理论难解性与可处理代理、最优求解和近似算法连接起来，为可解释性方法提供算法路线。
• 与已有关于线性化 Transformer、OT-ICA 的卡片不同，本条聚焦模型预测的局部解释；增量在于概率化、锚定、稀疏预算与回归覆盖。

与既有脉络的关系

已有卡片分别涉及神经编码器+贝叶斯广义线性混合模型、Transformer 线性化、OT-ICA 等方向。本条不重复这些事实；若并置阅读，其增量是面向个体预测的形式化/概率可解释性，提出稀疏锚定线性模型，并覆盖二分类与连续回归。

局限与不确定性

• 当前仅依据 arXiv 摘要与元数据，未获取全文、实验设置、数据集、数值表、证明细节、代码与超参数。
• 材料列出的 Published/Updated 为 2026-09-16；同行评审状态、最终发表状态待核实。
• 论文是否适用于 foundation-model 场景、计算可扩展性、真实部署效果待核实。
• ClassNPPP-hard 的复杂度类别细节及证明范围需查原文。
• 与 LIME、MAPLE 的对比仅见摘要陈述，具体指标和实验条件待核实。

可用于图书/PPT/简报的角度

• 从子集解释到稀疏线性解释：可解释性如何兼顾形式化与人类认知限制。
• 概率可解释性的统一视角：分类与回归能否共用一套局部解释框架。
• 难解目标与可处理代理：relevance error 与 fidelity error 的理论关系。
• 算法双轨：MIP 的最优性与 IHT 的可扩展性之间如何权衡。
• 可解释 AI 的约束满足：按构造满足锚定与稀疏预算意味着什么。

原始材料

• Title: Probabilistic Linear Explanations
• arXiv ID: 2609.19077v1
• Authors: Frederic Koriche, Jean-Marie Lagniez, Chi Tran
• Published: 2026-09-16T17:18:00Z
• Updated: 2026-09-16T17:18:00Z
• Primary category: cs.LG
• Categories: cs.LG, cs.AI
• Abstract URL: https://arxiv.org/abs/2609.19077v1
• PDF URL: https://arxiv.org/pdf/2609.19077v1