$\Psi$-Resilience：基于一维拓扑信号的无模型特征重要性

arXiv:2610.02299v1 发布类型：新论文 摘要：我们提出了 $\Psi$-Resilience，这是一种无模型特征重要性方法，通过一维拓扑信号直接从数据本身中提取解释。我们的方法通过估计类别条件密度，并沿特征轴计算它们的逐点绝对差，构建类别分歧景观。随后，该一维信号的 0 维持久性定义了一个韧性泛函，用于仅聚合那些能够经受住扰动、直至达到由用户设定的稳健性尺度的拓扑特征。由此得到的上下文稳健重要性分数，可通过底层的一维景观及其持久性进行内在审计。我们在合成数据集和真实数据集上评估了该方法。在具有指定真实重要性的合成数据生成器上，$\Psi$-Resilience 高度准确地恢复了特征排序，Spearman 秩相关系数最高达到 0.8，并且与包括 SHAP 和互信息在内的多种特征重要性方法相比具有竞争力。在没有已知真实基准的真实数据集上，我们的方法与这些方法的结果一致，相关系数最高达到 0.9。这些结果表明，$\Psi$-Resilience 是一种稳定的解释方法，无需依赖预测模型即可对特征重要性进行严格的分布级审计。