في عالم الذكاء الاصطناعي، تُعتبر قيم شابلي (Shapley values) أداة مركزية في التفسير القابل للفهم (explainable AI - XAI). ومع ذلك، يتطلب حساب قيم شابلي بدقة تقييم $2^d$ لعبة عندما يكون لدينا نموذج يحتوي على $d$ ميزات، مما يجعل الأمر غير عملي في الكثير من الحالات. ظهرت خوارزمية KernelSHAP كأحد الحلول الرائدة للتغلب على هذه التكاليف الأسية، حيث تُقرِّب هذه الخوارزمية قيم شابلي عبر تمثيل اللعبة كدالة خطية تُستخدم لتناسب مجموعة صغيرة من الميزات العشوائية.

لكن ماذا لو كان بالإمكان تحسين ذلك أكثر؟

مؤخراً، تم تقديم PolySHAP كإضافة مبتكرة تهدف إلى تحسين KernelSHAP. تعتمد هذه الطريقة الجديدة على تقريب اللعبة من خلال استخدام تحليل متعدد الحدود (polynomial regression) من درجات أعلى، مما يساعد على التقاط التفاعلات غير الخطية بين الميزات بشكل أفضل. نتائجنا تُظهر أن طريقة PolySHAP تعطي تقديرات أكثر دقة لقيم شابلي عبر مجموعات بيانات متنوعة، وقد أثبتنا التناسق في هذه التقديرات.

لكن هناك المزيد! ربطنا أيضاً منهجيتنا بنموذج أخذ العينات المتزاوج (paired sampling)، وهو تعديل شائع على KernelSHAP يُحسّن من دقة النتائج التجريبية. وفي نتيجة مثيرة، أثبتنا أن أخذ العينات المتزاوج ينتج نفس تقديرات قيم شابلي التي توفرها PolySHAP من الدرجة الثانية، دون الحاجة إلى ملاءمة متعدد الحدود من الدرجة الثانية. يُعد هذا الاكتشاف تقديماً نظرياً قوياً لدعم الأداء العملي الممتاز لأسلوب أخذ العينات المتزاوج.

تُبرز هذه التطورات أهمية أدوات التفسير في مجال الذكاء الاصطناعي، حيث تسهم في تعزيز الفهم والتحليل الفعال للنماذج. كيف ترى تأثير PolySHAP على مستقبل التفسير في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!