热点事件持续更新
TempShap：时间序列预测的细粒度Shapley归因
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月27日，arXiv cs.AI 上的一篇论文提出 TempShap，关注时间序列预测中特征“何时起作用、影响多大”的问题。该框架是回顾式、基于损失的 Shapley 归因方法，不同于常见的按特征整体归因：它把输入窗口中的单个单元格 (t,i) 当作博弈参与者，因此得到的归因张量既能给出时间定位，也能给出各预测期的影响曲线。在估计方式上，TempShap 用置换共享来降低局部扰动成本，从而估计单元格级博弈；论文称，在输入存在冗余时，它比逐次打分更能保留总价值。论文还在多种 Shapley 估计器、预测基准与模型家族上测试，结果显示它在删除排序上具有优势。目前进展仍停留在论文发布阶段，尚未见后续复现或应用报道。
AI 根据报道生成 · 3 小时前更新
最新进展10月27日 12:00
10月27日 arXiv 论文提出 TempShap，用单元格级 Shapley 归因定位特征作用时间与预测期影响。报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AITempShap：时间序列预测中特征何时起作用、影响多大
TempShap 是一个回顾式、基于损失的 Shapley 框架，把输入窗口中的单个单元格 (t,i) 作为博弈参与者，其归因张量可给出时间定位与预测期影响曲线。它用置换共享以局部扰动成本估计单元格级博弈，在冗余输入下比逐次打分保留总价值，并在多种 Shapley 估计器、预测基准与模型家族上展现删除排序优势。
本事件热度走势
当前热度 9·可比范围峰值 10（10月27日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。