экспоненциально с числом признаков, точек данных или внутренних компонентов, что делает полный перебор вычислительно неосуществимым. SPEX использует предположения о разреженности и низком порядке: количество действительно значимых взаимодействий невелико, и они затрагивают лишь небольшое подмножество элементов. Применяя стратегически подобранные абляции и алгоритмы восстановления разреженных сигналов из теории кодирования, SPEX эффективно идентифицирует эти взаимодействия. ProxySPEX дополнительно использует иерархию: если важное взаимодействие высокого порядка, то его подмножества более низкого порядка также важны, что сокращает количество абляций примерно в десять раз по сравнению с SPEX. В задачах атрибуции признаков SPEX превзошёл существующие методы на длинных контекстах (тысячи признаков). Например, в модифицированной «проблеме вагонетки» стандартный метод SHAP объяснял неверный ответ GPT-4o mini отдельными словами, такими как 'вагонетка', тогда как SPEX выявил синергию между двумя вхождениями 'вагонетка' с 'тянуть' и 'рычаг'; замена этих четырёх слов синонимами снизила уровень ошибок модели почти до нуля. В атрибуции данных ProxySPEX успешно выявил синергетические и избыточные взаимодействия между обучающими примерами для ResNet на CIFAR-10. В механистической интерпретируемости (атрибуция компонентов) метод показал, как взаимодействуют головки внимания в разных слоях LLM, и улучшил целевую производительность модели после pruning (отсечения компонентов) по сравнению с другими методами. Код для SPEX и ProxySPEX доступен в репозитории SHAP-IQ.