اكتشاف قيمة شابلي الدقيقة في الوقت الخطي: ثورة في طرق الإنتاج باستخدام النماذج الكيرنالية

تعتبر طرق الكيرنالات (Kernel Methods) من الأدوات القوية في مجالات التعلم الآلي (Machine Learning) والاحصاءات، حيث تتيح لنا نمذجة بيانات معقدة بمرونة وفاعلية. ومع ذلك، تعاني هذه الأدوات من طبيعتها "الصندوق الأسود"، مما يحدّ من استخدامها في تطبيقات ذات تبعات عالية. لحل هذه المشكلة، تم تطوير طرق توجيه نسبة شابلي (Shapley Value)، مثل SHAP و RKHS-SHAP، التي توفر إطار عمل موثوق لفهم كيفية تأثير الميزات على النماذج.

ومع ذلك، كانت الحسابات الدقيقة لقيم شابلي تمثل تحدياً كبيراً، مما دفع العديد من النهج الحالية للاعتماد على تقديرات قد تحمل أخطاء غير قابلة للتجنب. لكن مؤخراً، قدم الباحثون خوارزمية جديدة تُعرف بـ PKeX-Shapley، التي تستفيد من البنية الضريبية للنماذج الكيرنالية لإجراء حسابات دقيقة لقيمة شابلي لكل ميزة في وقت يمكن اعتباره خطياً.

تعتمد هذه الخوارزمية على مفهوم "عامل الإزالة الحر"، ما يعني أنك عندما تقوم بإزالة ميزة، يتم استبدال عامل الكيرنل بعامل الهوية المضاعف. هذا يؤدي إلى دالة قيمة خالية من المعلمات، مما يعني أنك لن تحتاج إلى أخذ عينات أو تقدير الكثافة.

وبناءً على هذه الدالة، طوّر الباحثون صياغات تكرارية مشتركة تقوم بتقييم جميع المساهمات الميزانية بشكل مشترك، مما يحقق وقتاً خطياً مستداماً لكل ميزة مع استقرار عددي. وبالتالي، فإن هذه الخوارزمية لا تقدم فقط حلولاً لنمذجة التنبؤ بل تتوسع أيضاً لتشمل فروقات الكيرنالات الشائعة مثل فجوة المتوسط الأقصى (Maximum Mean Discrepancy) ومقياس استقلال هيلبرت-شميت (Hilbert-Schmidt Independence Criterion)، مما يُعزّز الأدوات المتاحة للتحليل الإحصائي القابل للتفسير.