基于估计量无关因果推断的实用 do-SHAP 解释方法
机器学习
2026-01-13 v2
摘要
在可解释性技术中，SHAP 最为流行，但常常忽略问题的因果结构。作为回应，do-SHAP 采用干预查询，但其对估计量的依赖阻碍了实际应用。为解决这一问题，我们提出了估计量无关方法，允许从单一模型估计任何可识别查询，从而使 do-SHAP 在复杂图上可行。我们还开发了一种新算法以显著加速其计算，且代价可忽略不计，以及一种解释不可访问的数据生成过程 (DGP) 的方法。我们展示了所提方法的估计与计算性能，并在两个真实数据集上进行了验证，突出了其在获取可靠解释方面的潜力。
引用
@article{arxiv.2509.20211,
title = {Practical do-Shapley Explanations with Estimand-Agnostic Causal Inference},
author = {Álvaro Parafita and Tomas Garriga and Axel Brando and Francisco J. Cazorla},
journal= {arXiv preprint arXiv:2509.20211},
year = {2026}
}
备注
Published at NeurIPS 2025