摘要由 AI 生成
研究人员针对多系列 WaveNet 销售预测模型开展后验反事实可解释性研究，基于 Corporacion Favorita 数据集（174,685 个系列，1,688 天）训练。该研究通过删除/插入协议评估归因忠实度，发现统计显著效应，证明归因方法反映真实模型行为而非传统加性 SHAP 归因的分配伪影。然而，分析指出归因信息有限：促销信号依赖度在不同系列间呈现异质性（中位数比率约 1.0，仅约 20% 系列效应显著）。此外，模型虽能捕捉周销售周期形状（日 - 周相关系数 r=0.78），但被证实系统性地低估了销售周期的振幅。
关键实体KEY ENTITIES
Corporacion FavoritaWaveNet
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- WaveNet1
- Corporacion Favorita1
全部报道（1）SOURCES
↗
研究人员为多系列 WaveNet 销售预测模型添加了后验反事实可解释性层，基于 Corporacion Favorita 数据集（174,685 个系列，1,688 天）训练。该方法将每个预测分解为精确求和的贡献项，避免了传统加性 SHAP 归因的分配伪影。通过删除/插入协议评估忠实度，发现统计显著效应（删除间隙 0.22，p<0.001；插入间隙 0.27，p<0.01），证明归因反映真实模型行为而非伪影。研究还指出归因信息有限：促销信号依赖度在不同系列间异质（中位数比率约 1.0，约 20% 系列效应显著），模型虽能捕捉周销售周期形状（日 - 周相关系数 r=0.78），但系统性地低估其振幅。