超越可加性：稀疏单调 Shapley 回归实现非线性可解释性

Shapley 值是可解释 AI 中特征归因的金标准，但面临两个关键挑战。首先，经典的 Shapley 框架假设价值函数是可加的，但现实中的收益构造——由非高斯分布、重尾、特征依赖性或领域特定的损失尺度驱动——往往违反这一假设，导致归因失真。其次，在高维设置中通过计算密集 Shapley 值再进行任意阈值截断来实现稀疏解释，成本高昂且存在不一致性风险。我们提出稀疏单调 Shapley 回归（SISR），一种统一非线性解释框架。SISR 同时学习一个单调变换以恢复可加性——无需闭式指定——并对 Shapley 向量施加 L0 稀疏约束，从而在大规模特征空间中提升计算效率。其优化算法利用 Pool-Adjacent-Violators 算法进行高效单调回归，并采用归一化硬阈值进行支撑集选择，确保易于实现和全局收敛保证。分析表明，SISR 在广泛场景中恢复真实变换，并在高噪声下实现强支撑集恢复。此外，我们首次证明无关特征和特征间依赖关系可以诱导偏离线性的真实收益变换。大量实验表明，SISR 在不同收益方案下稳定归因并正确过滤无关特征；相比之下，标准 Shapley 值遭受严重的秩和符号失真。通过将非线性变换估计与稀疏性追求相结合，SISR 推进了非线性可解释性的前沿，提供了一个具有理论基础且实用的归因框架。