تعتبر قيمة شابلي (Shapley value) من الأساليب الشائعة في مجال تعلم الآلة، حيث تستخدم في تقييم أهمية الميزات، وتقدير البيانات، واستنتاج الأسباب. ولكن، حساب هذه القيمة بدقة غالبًا ما يكون معقدًا وغير عملي، مما يتطلب طرق تقدير أكثر كفاءة.

تتضمن الطرق الأكثر فعالية وشعبية استخدام استراتيجية أخذ عينات مزدوجة (paired sampling)، والتي تهدف إلى تقليل خطأ التقدير. ومع ذلك، لم يكن هناك توضيح كامل للآلية النظرية التي تؤدي إلى تحسين فعالية هذه الاستراتيجية.

في هذا العمل الجديد، نقدم تبريرًا أساسيًا ومرنًا لأهمية أخذ العينات المزدوجة حيث أثبتنا أن قيمة شابلي تعتمد فقط على المكونات الفردية من الدالة. حيث تعمل استراتيجية أخذ العينات المزدوجة على فصل الهدف في التقدير، مما يساعد على التخلص من العناصر غير الضرورية.

بناءً على هذه الرؤية، نقدم OddSHAP، وهو مقدر جديد ومتسق يقوم بإجراء تحليل متعدد الحدود على الفضاء الفرعي الفردي فقط. من خلال استخدام قاعدة فورييه (Fourier basis) لعزل هذا الفضاء، وبدءًا من نموذج وسيط لتحديد التفاعلات عالية التأثير، فإن OddSHAP يتجاوز التعقيد الناتج عن التقديرات ذات الأبعاد العليا.

من خلال تقييم شامل، تم اكتشاف أن OddSHAP يحقق دقة تقدير رائدة بين أقرانه عند استخدام ميزانيات أكبر لأخذ العينات. إن تطبيق هذه الطريقة الجديدة في مجالات مثل الرعاية الصحية، والتمويل، والتسويق يمكن أن يفتح آفاقًا جديدة لفهم التأثيرات المعقدة للبيانات.

أصبح بإمكان الباحثين والممارسين الآن الاعتماد على OddSHAP كأداة قوية لضمان دقة التحليلات والتنبؤات في مشاريعهم.