شهد مجال تفسير الذكاء الاصطناعي تقدمًا كبيرًا مؤخرًا، حيث تساهم الطرق مثل GradCAM وSHAP وLIME في تحسين فهمنا لكيفية عمل الشبكات العصبية. ولكن، كانت هذه الطرق تعمل وفق أسس نظرية مختلفة، مما أوقف إمكانية مقارنة فعاليتها بشكل دقيق. لذلك، جاء البحث الجديد بعنوان "GRALIS: إطار موحد لتفصيل الأساليب الخطية عبر تمثيل ريز (Riesz Representation)" ليغير قواعد اللعبة.

يقدم هذا الإطار الجديد GRALIS (Gradient-Riesz Averaged Locally-Integrated Shapley) نظرية تمثيلية للتفاسير، حيث يثبت أن كل وظيفة تفسير مضافة، خطية، ومستمرّة في L²(Q,μ) تمتلك تمثيلاً قانونيًا فريداً. هذا يعني أنه يمكننا الآن مقارنة الطرق المختلفة مثل SHAP وIG وLIME بشكل موحد، بينما نترك الأساليب غير الخطية خارج المعادلة.

يتضمن الإطار سبعة نظريات رسمية تقدم ضمانات متزامنة تفتقر إليها الأساليب الفردية، مثل الكمال الدقيق وقيم التفاعل لشابلي (Shapley Interaction Values) والتعميم الحساس وغيرها. تشير البيانات الأولية التي تم جمعها من مجموعة بيانات BreaKHis، المكونة من 1,187 صورة لعلم الأنسجة، إلى دقة متزايدة وخاصة في تحسين القيم التفسيرية ومعالجة البيانات الحساسة.

هذا البحث ليس مجرد إضافة علمية، بل يمثل خطوة نحو فهم أعمق وأكثر دقة لأساليب الذكاء الاصطناعي. مع التخطيط لمقارنة موسعة مع الأساليب التقليدية، تعطينا GRALIS الأمل في استخدام أكثر فاعلية لتفسير الشبكات العصبية في التطبيقات الحياتية.