ExplainerPFN：面向表格基础模型的零样本特征重要性解释方法

计算监督分类任务中特征的重要性对于模型可解释性至关重要。Shapley 值是解释模型预测常用的方法，但需要直接访问底层模型，在实际部署中常常被违反。我们研究在仅使用输入数据分布且不评估目标模型的情况下，是否可以获得有意义的特征归因。由于多个模型可产生相同预测但yield不同的 Shapley 分解，数据到归因的映射并非唯一可辨。因此，我们目标的是“真实于数据”而非“真实于模型”的归因，在元训练先验下学习后验均值归因。为此，我们引入ExplainerPFN，一个基于TabPFN构建的表格基础模型，通过在合成结构因果数据集上预训练（使用精确或近似精确的 Shapley 值监督），该模型可在无需模型访问、梯度或示例解释的情况下，对不可见的表格数据集预测特征归因。我们的贡献有四点：（1）我们展示，仅需两个参考观测即可实现高保真度的类Shapley解释器；（2）我们提出ExplainerPFN，首个无需访问底层模型或参考解释即可估计类Shapley值特征归因的零样本方法，提供一种在无现有解释器可应用时的原则性归因；（3）我们发布开源实现，包括完整训练管道和合成数据生成器；（4）通过在真实与合成数据集上的大量实验，我们展示ExplainerPFN在性能上与依赖2-10个SHAP示例的少样本代理解释器相竞争。