في عالم الذكاء الاصطناعي، تُعتبر طرق قياس أهمية الميزات (Feature Importance Methods - FIMs) أداة أساسية لفهم التفسيرات وراء نماذج التنبؤ. ومع ذلك، فإن النقاط المعزولة التي تقدمها هذه الطرق قد لا تعكس دائماً السياق الكلي للقرارات. في إطار عملنا الجديد، نجلب منظورًا مبتكرًا يتمحور حول إدخال FIMs ضمن إطار عمل اختبار الفرضيات المستند إلى وزن الأدلة (Weight of Evidence - WoE).

نحن هنا نعرض كيف يمكن تقييم قوة الأدلة القائمة لدعم فرضية معينة حول أهمية الميزات. الفرضية المرجعية يمكن أن تستند إلى المعرفة الخبيرة، أو الحقيقة الأساسية، أو يمكن استنتاجها من FIM نفسه. هذه الصياغة تعزز من تقييم FIMs، مما يمكّن الباحثين من رؤية توافقها مع المعرفة السابقة وتنوعها.

علاوة على ذلك، نقدم نتائج نظرية تربط بين وزن الأدلة وتباين النقاط المعزولة. تُظهر النتائج التجريبية قابلية تطبيق واستجابة استراتيجيتنا في تحليل تفسيرات LIME وSHAP في سياقات مختلفة. بشكل عام، يوفر إطار العمل لدينا أداة مكمّلة لتقييم FIMs من خلال عدسة مبنية على الأدلة للمقارنة.

إن تطور فهم كيفية تقييم تأثير الميزات في الذكاء الاصطناعي يمثل خطوة مهمة في تحسين قابلية تفسير النماذج وتحقيق الشفافية المطلوبة. ما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات!