16 سببًا إضافيًا لمعرفة SHAP

المقال، الذي كتبته الباحثة سابرينا، يقدم نظرة متعمقة على SHAP، وهي طريقة لشرح تنبؤات نماذج التعلم الآلي استنادًا إلى نظرية الألعاب التعاونية. يبدأ المقال بقيمة شابلي الكلاسيكية التي قدمها لويد شابلي في عام 1953، والتي تقدم توزيعًا عادلًا وفريدًا لأرباح الفريق بناءً على متوسط المساهمة الحدية لكل لاعب. في عام 1988، أظهر تشارنز وجولاني وكين وروسو أن قيمة شابلي يمكن حسابها كحل لمشكلة المربعات الصغرى الموزونة، والتي أصبحت فيما بعد أساسًا لـ KernelSHAP. جاءت أولى التعديلات على التعلم الآلي في عام 2010 بواسطة سترومبلج وكونونينكو، اللذين قدما تقديرًا قائمًا على التباديل باستخدام عينات مونت كارلو، وفي عام 2014 تم توسيعه ليشمل المجموعات الفرعية، مما كشف عن التفاعلات والتكرار. كانت اللحظة المحورية هي ورقة لوندبيرج ولي في عام 2017، بعنوان "نهج موحد لتفسير تنبؤات النماذج"، والتي قدمت إطار عمل SHAP مع خصائص مثل الدقة المحلية، والافتقاد، والاتساق، وأثبتت التفرد. يقدر KernelSHAP قيم SHAP من خلال حل انحدار خطي موزون مع نواة شابلي التي تؤكد على الائتلافات الصغيرة والكبيرة. على الرغم من نقاط قوته، يلاحظ المقال أن التنفيذ الأصلي لأخذ العينات الخلفية قد ينتهك الافتراضات، مما أدى إلى تطوير 15 امتدادًا لمعالجة المشكلات المختلفة. يشير العنوان "16 وسبب إضافي واحد" إلى الامتدادات الخمسة عشر مع الأساس البديهي كسبب أول، مع كشف سبب نهائي مخفي في نهاية المقال.