Aumann-SHAP：机器学习中反事实交互解释的几何
机器学习
2026-03-17 v1 计算机科学与博弈论
摘要
我们提出Aumann-SHAP，一个能够分解反事实转换的交互感知框架，通过将模型限制在连接基线和反事实特征的局部超立方体中。每个超立方体被分解为网格，以构建诱导的微型合作游戏，其中 elementary grid-step 移动成为玩家。在该TU微游戏中，Shapley值和LES值产生：（i）每个特征对与其他特征相互作用的贡献（交互可解释性），以及（ii）每个实例和每个特征对反事实分析的贡献（individual和global可解释性）。具体而言，Aumann-LES值在反事实转换中产生individual和global解释。Shapley值和LES值收敛于对角线Aumann-Shapley（integrated-gradients）归因方法。在德国信用数据集和MNIST数据上的实验表明，Aumann-LES在反事实转换期间产生稳健的结果，并且在解释性方面优于标准Shapley值。
引用
@article{arxiv.2603.14014,
title = {Aumann-SHAP: The Geometry of Counterfactual Interaction Explanations in Machine Learning},
author = {Adam Belahcen and Stéphane Mussard},
journal= {arXiv preprint arXiv:2603.14014},
year = {2026}
}