MAttr 技术细节：可微 sigmoid top-k 融合因果干预与掩码学习
aryaman2020 · x · 2026-09-24
MAttr 的技术实现要点：结合因果干预、梯度归因与掩码学习三者的优点，用一个简单可微的 sigmoid top-k 算子参数化因果干预，无需稀疏损失或 straight-through 技巧；训练时随机化 top-k 预算即可诱导出归因排序，评测时把 k 设为任意目标稀疏度即可。
所属事件:斯坦福发布 MAttr 归因方法，2.9 倍优势登顶机制可解释性基准(7 条相关)→
「研究」频道最新
- OpenAI 联合 80+ 临床医生发布开源心理健康基准 MentalHealthBench — OpenAI · 2026-09-24
- MentalHealthBench 覆盖日常支持到危机干预的全谱系对话 — OpenAI · 2026-09-24
- Paperena 基准按完整科研周期评测 AI 科学家:写、审、改 — yeewhye · 2026-09-24
- ACL'23 杰出论文：判别式语言模型为何可能比自回归更泛化 — ysu_nlp · 2026-09-24
- 10 次重跑均到关键区域却无一复现发现：全自主 agent 脆弱性实录 — rohanpaul_ai · 2026-09-24
- GTSAM 4.3发布:腿足导航、CUDA加速因子图与连续时间轨迹估计 — fdellaert · 2026-09-24