面向多输出预测的公平特征归因：基于Shapley的视角
机器学习
2026-02-27 v1
摘要
本文在Shapley框架内，对多输出预测器的特征归因提供了公理化特征。虽然SHAP解释通常独立计算每个输出坐标，但这种做法的理论必要性尚未明确。通过将经典Shapley公理扩展到向量值合作博弈，我们建立了一个刚性定理，表明满足效率、对称性、虚拟者和可加性的任何归因规则必然在输出上分解为逐坐标形式。因此，任何联合输出归因规则都必须至少放弃经典Shapley公理的一个。该结果识别了Shapley基于可解释性中一个此前未形式化的结构约束，澄清了多输出学习中公平一致解释的精确范围。在生物医学基准上的数值实验说明，多输出模型可在训练和部署中实现计算节省，同时产生的SHAP解释完全符合由Shapley公理所施加的逐坐标结构。
引用
@article{arxiv.2602.22882,
title = {Fair feature attribution for multi-output prediction: a Shapley-based perspective},
author = {Umberto Biccari and Alain Ibáñez de Opakua and José María Mato and Óscar Millet and Roberto Morales and Enrique Zuazua},
journal= {arXiv preprint arXiv:2602.22882},
year = {2026}
}