Integrated Gradients
一种基于梯度的归因方法，通过沿基线到输入的路径积分梯度来计算每个输入特征的贡献，满足敏感性和实现不变性等公理
时间轴 (近 90 天)
对于每个类别概率背后的二次型，其BEM等价于从零基线出发的Integrated Gradients，并且存在闭式解。
经典深度学习解释方法（如Integrated Gradients、SHAP、Grad-CAM）大多依赖近似，通过梯度或采样估计特征重要性，计算成本高且结果受基线选择影响。
基于梯度的显著性图（如Integrated Gradients）可提供局部解释，但需注意梯度饱和问题。
梯度归因的常见变体包括原始梯度（Vanilla Gradient）、积分梯度（Integrated Gradients）、Grad-CAM 与 SmoothGrad 等。
积分梯度是一种归因方法，通过沿从基线到输入的路径积分梯度来分配重要性。
评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
全部知识事实 (6)
对于每个类别概率背后的二次型，其BEM等价于从零基线出发的Integrated Gradients，并且存在闭式解。
50%待验证经典深度学习解释方法（如Integrated Gradients、SHAP、Grad-CAM）大多依赖近似，通过梯度或采样估计特征重要性，计算成本高且结果受基线选择影响。
50%待验证基于梯度的显著性图（如Integrated Gradients）可提供局部解释，但需注意梯度饱和问题。
50%待验证梯度归因的常见变体包括原始梯度（Vanilla Gradient）、积分梯度（Integrated Gradients）、Grad-CAM 与 SmoothGrad 等。
50%待验证积分梯度是一种归因方法，通过沿从基线到输入的路径积分梯度来分配重要性。
50%待验证评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
50%