arXiv 2026年10月5日该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。用 SHAP 与 νSHAP 剖析 Heston 与 rough Heston 的神经校准映射，发现短期限与微笑两翼主导参数推断，并据此压缩 rough Heston 的输入维度而保持校准精度该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。