في عالم تعلم الآلة، تعتبر تفاعلات Shapley وBanzhaf من العناصر الأساسية لفهم الديناميات المعقدة التي تنطوي عليها التطبيقات الحديثة. لكن التحدي الرئيسي يكمن في تقدير هذه التفاعلات بدقة وسرعة، حيث كانت النماذج السابقة تعتمد على مقايضات بين الدقة والسرعة. هنا يظهر الابتكار الجديد: ProxySHAP.

تدمج تقنية ProxySHAP بين الكفاءة العالية للنماذج القائمة على الأشجار (tree-based models) وطريق مدروس لتحقيق التناسق من خلال تصحيح الفروقات. على مستوى نظري، تم تطوير تعميم زمني متعدد الحدود يستخدم TreeSHAP التدخلي لحساب مؤشرات التفاعل الدقيقة لفرق الأشجار، متجاوزًا الاعتماد السابق على عمق الشجرة بشكل أسي.

كما يجري تحليل استراتيجي لتعديل المتبقيات، حيث يتم تحديد الشروط الخاصة التي تمكن من تصحيح انحياز النموذج دون زيادة تباين الخطأ بشكل أسي مع زيادة حجم التفاعلات.

من خلال تجارب شاملة، أثبت ProxySHAP أنه معيار جديد في جودة التقدير، خصوصًا في التطبيقات واسعة النطاق التي تحتوي على الآلاف من السمات. حقق أفضل مستوى من الدقة في كل من الميزانيات الصغيرة والكبيرة، بينما يتفوق على أفضل مقدرات سابقة مثل ProxySPEX وKernelSHAP-IQ. هذا يعني أن ProxySHAP ليس فقط تقنية متقدمة، بل يقدم أيضًا أداءً أفضل في مهام التفسير المادي downstream.

كيف تعتقد أن هذه التقنية ستؤثر على مستقبل تعلم الآلة؟ شاركونا آرائكم في التعليقات.