في عالم الذكاء الاصطناعي، تُعتبر القيم الاحتمالية مثل قيم شابلي وقيم بانزاف وأشكال القيم النصفية أدوات حيوية في توضيح كيفية عمل الأنظمة. منذ نشأتها في نظرية الألعاب، أصبحت هذه القيم جزءًا لا يتجزأ من تطوير نماذج قابلة للتفسير، تستخدم بشكل أساسي في نسب الخصائص وتقييم البيانات.

ومع أن حساب هذه القيم بدقة قد يتطلب وقتًا طويلاً بشكل استثنائي، إلا أن الأبحاث تركزت على تطوير طرق تقدير فعالة من خلال استخدام تقنيتين رئيستين: العينة العشوائية مونت كارلو (Monte Carlo sampling) وصيغ الانحدار الخطي (linear regression formulations). وفي هذا السياق، تقدم الدراسة الجديدة نهجًا مبتكرًا يجمع بين هاتين الطريقتين بمرونة غير مسبوقة.

تعتبر هذه الطريقة الجديدة أفضل من الخوارزميات السابقة، حيث يمكن الاستغناء عن الانحدار الخطي واستبداله بأي عائلة من الدوال التي يمكن حساب القيم الاحتمالية لها بكفاءة. هذه الميزة تشجعنا على الاستفادة من دقة الطرازات المعتمدة على الأشجار مثل XGBoost.

عبر التجارب التي شملت ثماني مجموعات بيانات، أظهرت النتائج أن أساليبنا تقدم أداءً متفوقًا عند تقدير القيم الاحتمالية. حيث تمكنت تقنياتنا من تقليل الخطأ بنسبة تصل إلى 11 مرة مقارنةً بطريقة Permutation SHAP، و6.5 مرة أدنى من Kernel SHAP، و3.4 مرة أقل من Leverage SHAP.

تفتح هذه النتائج آفاقًا جديدة للتطبيقات العملية في مجالات متعددة مثل تحليل البيانات المتقدمة والذكاء الاصطناعي القابل للتفسير. هل أنتم مستعدون لاستكشاف هذه التطورات؟