شهدت طرق نسب المميزات القائمة على قيمة شابلي (Shapley value) تحديات متعددة في ظل تفاعلات المميزات المعقدة والعلاقات السببية، حتى عند توفر هيكل سببي واضح. حيث تركز الطرق الحالية على كل مميزة بصورة فردية، وهذا يؤدي غالباً إلى نتائج غير دقيقة وفهم مضلل للتأثيرات الخارجية.

لذا، نقدم في هذا المقال طريقة مبتكرة تسمى DAG-SHAP تقوم بمعالجة هذه المشكلات بطريقة فريدة. تعتمد هذه الطريقة على تدخل الحواف (edge intervention) وتعامل كل حافة مميزة ككائن توجيهي مستقل. وبالتالي، فإنها تضمن التقاط التأثيرات الخارجية والمساهمات الخارجية للمميزات بشكل فعّال.

لكن الابتكار لم يتوقف هنا، بل قمنا أيضًا بتطوير طريقة تقريبية (approximation method) تسرع من عملية حساب نتائج DAG-SHAP، مما يجعلها أكثر كفاءة في الاستخدام.

عبر تجارب مكثفة على مجموعات بيانات حقيقية وصناعية، أثبتت DAG-SHAP فعاليتها الكبيرة، مما يعكس أهمية هذا التطور في المجال. ولمن يرغب في تجربة الطريقة، يمكن الوصول إلى الشيفرة البرمجية عبر الرابط: [https://github.com/ZJU-DIVER/DAG-SHAP].

ما رأيكم في هذه الطريقة الجديدة؟ هل تعتقدون أنها ستحدث فرقًا في كيفية فهمنا لعلاقات المميزات؟ شاركونا في التعليقات.