ECSEL：以可解釋 signomial 方程做分類的新方法

要點速覽

ECSEL提出以可解釋的signomial符號方程作為分類器，同時把模型輸出當成解釋，達成分類與可說明性並存。

方法概述

此法直接構建結構化的閉式表達式，輸出形式為可讀的符號方程，而非黑盒參數。設計動機來自觀察：許多符號回歸基準問題都能以緊湊的signomial結構描述。

實驗與結果

在標準符號回歸測試上，ECSEL能復原更多目標方程且所需計算量較少。將此效率應用於分類任務，ECSEL在準確度上能與既有機器學習模型競爭，同時保持輸出的可讀性與解釋能力。

可解釋性與應用價值

作者指出，ECSEL在全域特徵行為、決策邊界分析與局部特徵歸因方面具備有利特性。案例實驗包含基準資料與兩個實務場景（電商與詐欺偵測），結果顯示所學方程能揭露資料偏差、支持反事實推理，並提供能指引決策的洞見。

意義小結

ECSEL以可讀方程替代黑盒，將符號化表示直接與分類任務結合，對於需要透明度與追蹤決策來源的應用場景具有吸引力。

延伸閱讀

• 以 DINOv2 激活與穩定稀疏自編碼器重構 32,000 個視覺概念：Minkowski 幾何視角
• EΔ-MHC-Geo Transformer：以資料驅動Cayley旋轉與Householder反射實現精確正交殘差
• Semantic Level of Detail（SLoD）：以龐加萊流形上的熱核擴散實現多尺度語意表徵

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。