FlowCF：混合表格数据的稀疏反事实解释方法
热点事件持续更新
FlowCF：混合表格数据的稀疏反事实解释方法
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
Emmanouil Panagiotou 与 Eirini Ntoutsi 发表论文提出 FlowCF，一种模型无关的生成式反事实解释方法，将反事实生成建模为从事实类到目标类的稀疏传输并用流匹配求解，另提出混合流算子以支持混合特征类型。作者称，在六个基准数据集上，FlowCF 取得最佳数值稀疏性与接近度，仅改变 29% 的数值特征，而最佳基线为 89%，位移小 70%。该工作已被 NeurIPS 2026 GDDL Workshop 接收。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
FlowCF：用流匹配为混合类型表格数据生成稀疏反事实解释报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv：cs.LGFlowCF：用流匹配为混合类型表格数据生成稀疏反事实解释
FlowCF 是一种模型无关的生成式方法，将反事实解释生成建模为从事实类到目标类的稀疏传输，并用流匹配求解，同时提出混合流算子以支持混合特征类型。在六个基准数据集上，FlowCF 取得最佳数值稀疏性与接近度，仅改变 29% 的数值特征（最佳基线为 89%），位移小 70%。该工作已被 NeurIPS 2026 GDDL Workshop 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。