从基准到运输测地线：通过最优生成流实现的公理化归因

特征归因通常隐藏了一个关键建模选择：它们沿着从参考状态到输入的反事实路径解释预测。不同的基准、插值和生成轨迹定义不同的路径，可能会产生不同的解释。我们将这种路径模糊性作为一个建模问题来研究。我们的核心问题是路径是否可以通过数据生成的传输过程来选择，而不是通过手工设计的插值或正在被解释模型的灵敏度几何。我们将归因分为固定路径的信用分配和路径选择。对于固定路径，我们证明了在标准固定路径公理和显式坐标迹正则性下，Aumann-Shapley 线积分是唯一的归因规则。对于路径选择，我们通过最小化传输参考分布到数据分布的流的动能，得到一种运输测地线归因原则。我们用 Rectified Flow 和 Reflow 近似这个理想，并推导出向量场误差与归因误差之间的稳定性界限。实验表明，误差更小、运输一致的路径产生更稳定、更有结构性的解释，保持竞争性删除忠诚度，而无需声称数据流形成员资格。我们的代码可在 https://github.com/cenweizhang/OTFlowSHAP 查阅。