知识卡片：透过干扰看本质——基于最小核心的上下文稳定归因

一句话结论

论文提出“上下文干扰项”（contextual distractors）概念，指出在计算机视觉中，某些特征加入完整真实图像后反而降低目标类得分（即使预测标签不变），并研究半值与最小核心（least core）下这类特征的归因差异，给出量化差距界与充分条件，实验支持了理论发现。

事件概述或研究问题

Shapley 值类解释广泛用于机器学习特征归因，但在视觉任务中存在一个反常现象：某特征对完整真实图像的贡献可能为负，即加入后降低目标类分数，而预测标签保持不变。论文将这类特征形式化为上下文干扰项，并追问：在半值（semivalues）与最小核心两种归因框架下，这类特征的归因如何表现、差异有多大、受什么条件约束。

方法/产品要点

• 形式化定义“上下文干扰项”：加入完整真实图像后降低目标类得分、但不改变预测标签的特征。
• 在半值与最小核心框架下分析归因。
• 在“弱平均边际单调性”（weak average marginal monotonicity）假设下，推导半值与最小核心之间的量化差距界，以及基于“采样到更小上下文的概率”的充分条件。
• 进一步证明：将半值权重向更大上下文偏移，会减小带符号差距。
• 用受控图像分类实验与 Salient ImageNet 评估验证理论。

主要结果或产业意义

论文报告理论推导（差距界与充分条件）获得受控图像分类实验和 Salient ImageNet 评估的有力实证支持；具体数值结果待核实（摘要未给出）。产业意义在于：为视觉模型解释中“看似负面但实为上下文干扰”的特征提供更稳定的归因框架，有助于提升解释方法的可信度。

为什么重要

Shapley 类归因在视觉解释中被广泛使用，但若特征贡献随上下文变化而符号翻转，解释的稳定性就成问题。本文把这一现象理论化，并给出半值与最小核心差异的可量化边界，为设计上下文稳定的归因方法提供了理论依据；同时提示“权重偏向更大上下文”可缩小差距，具有方法设计上的指导意义。

局限与不确定性

• 理论结论依赖“弱平均边际单调性”假设，该假设在真实模型中的普遍性待核实。
• 摘要未给出具体实验数值与基线对比，量化效果待核实。
• 实验集中于图像分类与 Salient ImageNet，其他视觉任务（检测、分割）的适用性待核实。
• 与既有卡片无直接延续关系；本条为新的理论方向。

可用于图书/PPT/简报的角度

• “解释也会被上下文带偏”：用上下文干扰项说明归因不稳定的直观例子。
• 半值 vs 最小核心：两种归因框架的差距如何被上下文采样概率约束。
• 权重偏移与稳定性：把权重移向更大上下文为何能缩小带符号差距。
• 视觉模型可解释性的理论边界：从经验方法走向可证明的归因稳定性。

原始材料

• 标题：Seeing Through Distractions: Context-Stable Attribution via the Least Core
• arXiv ID：2610.35827v1
• 作者：Sai Ganesh Nagarajan, Toshinori Yamauchi, Hiroshi Kera
• 发布/更新：2026-10-26T17:49:16Z
• 主分类：cs.CV；分类：cs.CV, cs.GT
• 摘要链接：https://arxiv.org/abs/2610.35827v1
• PDF 链接：https://arxiv.org/pdf/2610.35827v1
• 关键词：contextual distractors, semivalues, least core, Shapley-value-based explanations, feature attribution