假设类别决定解释：为何准确模型在特征归因上会发生分歧

预测等价模型产生等价解释的假设是许多可解释AI实践的基础，包括模型选择、审计和监管评估。在本文中，我们显示了这一假设不成立。通过对24个数据集和多个模型类别进行大规模实证研究，我们发现具有相同预测行为的模型可以产生显着不同的特征归因。这种不一致性是高度结构化的：同一假设类别内的模型表现出强烈一致性，而跨类别的配对（例如，树基 vs. 线性）在相同数据划分上训练后显示出显著降低的一致性，始终接近或低于抽奖阈值。我们确定假设类别是这一现象的结构驱动因素，我们称之为解释抽奖 (Explanation Lottery)。我们理论上表明，由于数据生成过程中的相互作用结构，所得的一致性差距 (Agreement Gap) 仍然存在。这一结构性发现激发了一个后验诊断，即解释可靠性得分 R(x)，该得分在无需额外训练的情况下预测解释在不同架构下的稳定性。我们的结果表明，模型选择并非解释中性：为部署选择的假设类别可以决定哪些特征被归因于决定。