SHAP को जानने के 16 और एक कारण

शोधकर्ता सबरीना द्वारा लिखित यह लेख SHAP पर गहराई से नज़र डालता है, जो सहकारी खेल सिद्धांत पर आधारित मशीन लर्निंग मॉडल की भविष्यवाणियों को समझाने की एक विधि है। यह 1953 में लॉयड शैप्ले द्वारा प्रस्तुत क्लासिक शैप्ले मान से शुरू होता है, जो प्रत्येक खिलाड़ी के औसत सीमांत योगदान के आधार पर टीम की जीत का एक अद्वितीय न्यायसंगत आवंटन प्रदान करता है। 1988 में, चार्नेस, गोलानी, कीन और रूसो ने दिखाया कि शैप्ले मान की गणना एक भारित न्यूनतम वर्ग समस्या के समाधान के रूप में की जा सकती है, जो बाद में कर्नलSHAP का आधार बनी। मशीन लर्निंग में पहला अनुकूलन 2010 में स्ट्रम्बेलज और कोनोनेंको द्वारा किया गया, जिन्होंने मोंटे कार्लो नमूने का उपयोग करके क्रमपरिवर्तन-आधारित अनुमान पेश किया, और 2014 में उपसमुच्चय तक विस्तारित किया, जिससे अंतःक्रियाएं और अतिरेक प्रकट हुए। निर्णायक क्षण 2017 में लुंडबर्ग और ली का शोधपत्र था, 'ए यूनिफाइड अप्रोच टू इंटरप्रेटिंग मॉडल प्रेडिक्शंस', जिसने स्थानीय सटीकता, अपूर्णता और स्थिरता जैसे गुणों के साथ SHAP ढांचा पेश किया और अद्वितीयता सिद्ध की। कर्नलSHAP एक शैप्ले कर्नल के साथ भारित रैखिक प्रतिगमन को हल करके SHAP मानों का अनुमान लगाता है जो छोटे और बड़े गठबंधनों पर जोर देता है। अपनी ताकत के बावजूद, लेख नोट करता है कि पृष्ठभूमि नमूने का मूल कार्यान्वयन मान्यताओं का उल्लंघन कर सकता है, जिससे विभिन्न मुद्दों को संबोधित करने के लिए 15 एक्सटेंशन का विकास हुआ। शीर्षक '16 और एक कारण' 15 एक्सटेंशन और स्वयंसिद्ध आधार को पहले कारण के रूप में संदर्भित करता है, जिसमें लेख के अंत में एक छिपा हुआ अंतिम कारण प्रकट होता है।