研究者提出兼顾精度与可解释性的CALMs模型

Vasilis Gkolemis等作者提出条件可加局部模型（CALMs）及其蒸馏训练流程，试图缩小可解释性与精度之间的取舍：该模型在可解释性上接近广义可加模型（GAMs），在精度上接近GA²Ms。这一说法来自作者在论文中的表述，尚待独立验证。 CALMs 的设计结合了局部可加性与条件特征效应。研究者在 arXiv 的 cs.AI 板块发布了该模型及训练方法，但报道未给出具体数据集上的精度对比或应用限制。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。