في عالم الذكاء الاصطناعي المتنامي، تظل التفسيرات عن كيفية اتخاذ النماذج لقراراتها أمراً حيوياً لفهم الأداء وتحسين الثقة في هذه الأنظمة. ظهر حديثًا بحث يتناول طريقة جديدة لعلاج الشرح القائم على التعتيم (Masking-Based Explanations) والذي يشمل حلولاً مبتكرة مثل KernelSHAP وLIME.

تعتبر هذه الأساليب مهمة لأنها تعتمد على تقييم أهمية المميزات المحلية من خلال استفسارات عن نموذج أسود (Black-Box Model) تحت تأثير اضطرابات عشوائية. تمثل هذه الفلسفة الجديدة إطارًا متميزًا، حيث يتم صياغة العملية كعملية تواصل من خلال قناة استفسار (Query Channel)، حيث تعمل التفسيرات الكامنة كرسائل، وكل تقييم مقنع هو استخدام للقناة.

تسعى الدراسة إلى تحديد تعقيد الشرح عن طريق قياس المعلومات: حيث تلعب الشروط الملتزمة بتعقيد الفرضيات (Hypothesis Class) دورًا رئيسيًا في التفسير المعلوماتي. كما تقدم الورقة دليلاً قويًا على أنه إذا تجاوز معدل الشرح السعة المعينة، فإن احتمال استعادة المعلومات بدقة سيقترب إلى واحد مع وجود خطأ، بغض النظر عن سلسلة الشارحين وموصلات البيانات.

بفضل تقديرات مونت كارلو (Monte Carlo Estimator) حول المعلومات المتبادلة، يستعرض البحث معيار استفسار غير تقاربي، مما يسمح بمقارنة طرق فك التشفير المثلى مع أساليب مثل Lasso وOLS التي تعكس كيفية عمل LIME وKernelSHAP.

تظهر التجارب أنه في مجموعة متنوعة من ميزانيات الاستفسار، تسمح نظرية المعلومات بتفسيرات موثوقة في حين تفشل البدائل التقريبية القياسية. وفي ذات الوقت، يتم تفسير دقة النقاط الفائقة (Super-Pixel Resolution) والتقطيع (Tokenization) كنمط للاختيار في ترميز المصدر، مما يحدد تعقيد الشرح.

تسلط هذه الدراسة الضوء على تأثير الضجيج الغاوسي (Gaussian Noise) والانحناءات الغير خطية (Nonlinear Curvature) على قناة الاستفسار، مما يؤدي إلى ظواهر مثل الانحدار المفاجئ وظهور الأخطاء، مما يجعل التفسيرات عالية الدقة بعيدة المنال.